論文の概要: Model-Aware Generation of Safety-Critical Scenes for Robust End-to-End Driving via Distilled Planner Surrogates

• arxiv url: http://arxiv.org/abs/2610.35448v1
• Date: Mon, 26 Oct 2026 13:44:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.01526
• Title: Model-Aware Generation of Safety-Critical Scenes for Robust End-to-End Driving via Distilled Planner Surrogates
• Title（参考訳）: 蒸留プランナーサロゲートを用いたロバストエンド・ツー・エンド運転のための安全クリティカルシーンのモデル認識生成
• Abstract要約: 我々は、NuroNCAPの障害モード解析を行い、DiffusionDriveの衝突の95.9%が障害の計画であることを示した。 実際の運転ログでは安全クリティカルな相互作用は稀であるので、これは基本的なデータ不均衡によるものである。 このギャップを、特定のプランナーに対して安全クリティカルなトレーニングシーンを生成する新しいモデル認識フレームワークで埋める。
• 参考スコア（独自算出の注目度）: 3.61482685960884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end driving models perform well on standard benchmarks but collide frequently in safety-critical scenarios. We present a failure-mode analysis on NeuroNCAP which shows that 95.9% of DiffusionDrive's collisions are planning failures despite reliable detection, pinpointing the bottleneck in planning rather than perception. We attribute this to a fundamental data imbalance, as safety-critical interactions are rare in real driving logs, so planners are hardly ever trained on them. We close this gap with a novel model-aware framework that generates safety-critical training scenes against a specific planner. Each planner is attacked at the bird's-eye-view (BEV) level through a differentiable surrogate distilled from its own planning head. This keeps the expensive video renderer out of the attack loop. We extract 50 scenes per planner, each pairing an attack with a safe escape trajectory that serves as the fine-tuning label. A fully automated quality-diversity search generates both the attacks and the escapes, so that their variety is not specified by hand. Only these scenes are rendered to fine-tune the planner, which reduces the computational cost significantly. Fine-tuning on these scenes roughly halves the closed-loop collision rate of two planners on NeuroNCAP (SparseDrive 28.0% to 12.2%, DiffusionDrive 37.5% to 19.2%) while largely preserving normal driving. A cross-planner transfer experiment shows that the gain comes from targeting the specific planner. Each planner improves most on the scenes generated against itself, and DiffusionDrive fine-tuned on SparseDrive's scenes retains only 6.7 of its 18.3-point collision-rate reduction.
• Abstract（参考訳）: エンドツーエンドの駆動モデルは標準ベンチマークではうまく機能するが、安全クリティカルなシナリオでは頻繁に衝突する。 我々は、NuroNCAPの障害モード分析を行い、DiffusionDriveの衝突の95.9%は、信頼性の高い検出にもかかわらず失敗を計画しており、知覚よりも計画のボトルネックを指摘している。 これは、安全とクリティカルな相互作用が実際の運転ログではまれであるため、プランナーがトレーニングされることがほとんどないため、基本的なデータ不均衡に起因する。 このギャップを、特定のプランナーに対して安全クリティカルなトレーニングシーンを生成する新しいモデル認識フレームワークで埋める。 各プランナーは、自身のプランニングヘッドから蒸留された異なるサロゲートを介して、鳥の目視(BEV)レベルで攻撃される。 これにより、高価なビデオレンダラーをアタックループから外すことができる。 我々は、プランナー毎に50のシーンを抽出し、それぞれが、微調整ラベルとして機能する安全なエスケープ軌跡とアタックをペアリングする。 完全自動化された品質多様性探索は、攻撃と逃走の両方を発生させるので、その多様性は手作業で特定されない。 これらのシーンだけがプランナーを微調整するためにレンダリングされ、計算コストが大幅に削減される。 これらのシーンの微調整は、NuroNCAP(SparseDrive 28.0%から12.2%、DiffusionDrive 37.5%から19.2%)上の2人のプランナーの閉ループ衝突率を概ね半減し、通常の運転を保っている。 クロスプランナー転送実験は、特定のプランナーをターゲットにすることで得られる利益を示している。 各プランナーは自身に対して生成されたシーンをほとんど改善し、DiffusionDriveはSparseDriveのシーンを微調整し、18.3ポイントの衝突率の6.7しか保持しない。

関連論文リスト

• BridgeGuard: Explicit Safety Drift for Diffusion-based Autonomous Driving [17.899909515728698]
  BridgeGuardは、安全性に制約のある拡散計画手法である。 補正は低次元の曲線空間で動作する。 Bench2Driveでは、BridgeGuardが87.99/74.99%から90.88/76.36%に向上している。
  論文  参考訳（メタデータ） (2026-10-08T08:26:52Z)
• Depth-Wise Probing and Pruning of the Planning Token in a Driving Vision-Language-Action Model [10.925063608741844]
  生成計画立案者が軌道に復号する単一計画トークンにより、計画全体を担っているVLAの代表者について検討する。 ナビゲーションコマンドの線形復調性と,凍結したネイティブプランナとの軌道互換性の2つの信号を測定する。
  論文  参考訳（メタデータ） (2026-08-07T16:02:34Z)
• Off the Rails: Hijacking the Scoring Head in Generative End-to-End Driving Planners with Safety-Violating Adversarial Perturbations [19.535238501602556]
  我々は、スコアリングヘッド攻撃面を利用する敵フレームワークであるtextscDerail を提示する。 textscDerailは、安全な候補から安全でない候補への軌道選択を反転させ、スコアは39$--80%$、衝突率は最大50%$である。 本分析は,ADプランナーに対する攻撃効果は安全違反対象が支配しており,また,スコアヘッド推論パターン自体が攻撃面の繰り返しであり,明確な防御的考察に値することを示唆している。
  論文  参考訳（メタデータ） (2026-06-29T18:32:29Z)
• A VideoMAE-v2 Approach to Zero-Shot Traffic Accident Anticipation [20.309082260025992]
  本稿では,フレームレベルの時間的リスク推定タスクと,粗いラベル付き2値事故データセットとのギャップを埋める枠組みを提案する。 本手法は,2026年CVPR@AUTOPILOTゼロショット事故予測大会で2位となる。
  論文  参考訳（メタデータ） (2026-06-08T14:25:16Z)
• CooperDrive: Enhancing Driving Decisions Through Cooperative Perception [11.113244744008844]
  CooperDriveは、状況認識を強化し、より早く安全な運転決定を可能にする協調認識フレームワークである。 CooperDriveは検出器のBird's-Eye View(BEV)機能を再利用し、重いエンコーダを追加せずに正確な車両のポーズを推定する。 計画面では、CooperDriveは拡張されたオブジェクトセットを利用して、潜在的な衝突を早期に予測し、速度と軌道を積極的に調整する。
  論文  参考訳（メタデータ） (2026-04-15T22:15:50Z)
• CorrectionPlanner: Self-Correction Planner with Reinforcement Learning in Autonomous Driving [55.88697462014118]
  CorrectionPlannerは自己補正を備えた自動回帰プランナーである。 Waymaxでは衝突率を20%以上削減し、nuPlanでは最先端の計画スコアを達成している。
  論文  参考訳（メタデータ） (2026-03-16T18:03:21Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。