日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

English週刊ニュースレター購読
自動運転シミュレーションarXiv:2505.00515

誘導潜在拡散モデルによる安全臨界交通シミュレーション

Safety-Critical Traffic Simulation with Guided Latent Diffusion Model

シェア:XThreadsFacebookLINEはてブBluesky

グラフVAEと潜在拡散モデルを組み合わせ、物理的に現実的で敵対的な安全臨界交通シナリオを効率的に生成する手法を提案した。

詳しい要約

1. どんなもの？

- 安全-criticalな交通シナリオを生成するための guided latent diffusion model (LDM) を提案する研究 - 自動運転システムの評価に用いる、稀で困難なシナリオを対象とする - graph-based variational autoencoder (VAE) と diffusion model を組み合わせる - 物理的実現性と adversarial 性を両立したシナリオ生成を目指す - nuScenes dataset 上で評価

2. 先行研究と比べてどこがすごい？

- 既存手法は物理的妥当性の考慮不足で非現実的なシナリオを生成しがち - 既存手法は生成効率が低いという課題がある - 提案手法は adversarial 効果と生成効率の両面で既存 baseline を上回る - 高い realism を維持しつつ物理的実現性も向上させる点が差分 - 具体的な比較対象名は要旨からは不明

3. 技術・手法の肝は？

- graph-based VAE で multi-agent interactions を捉える compact な latent space を学習 - latent space 上で diffusion model が denoising を行い軌跡を生成 - adversarial かつ behaviorally realistic な運転へ導く新規 guidance objectives を導入 - 物理的 feasibility checks に基づく sample selection module を追加 - これらにより制御可能かつ物理的に妥当なシナリオ生成を実現

4. どうやって有効だと検証した？

- nuScenes dataset を用いた extensive experiments を実施 - adversarial effectiveness と generation efficiency を既存 baselines と比較 - 高い realism を維持できることを確認 - 物理的実現性の向上は sample selection module により補強 - 具体的な評価指標の詳細は要旨からは不明

5. 議論はある？

- 物理的妥当性と adversarial 性の両立が主要な論点 - 生成効率の改善を latent space により達成 - sample selection による物理的 feasibility の担保を議論 - 自動運転システムのより robust な評価への貢献を主張 - 限界や失敗ケースの詳細は要旨からは不明

6. 次に読むべき論文は？

- latent diffusion model (LDM) 関連の交通シナリオ生成研究 - graph-based variational autoencoder (VAE) を用いた multi-agent モデリング - adversarial scenario generation の既存手法 - nuScenes dataset を用いた traffic simulation 研究 - 具体的な参照論文名は要旨からは不明のため、同分野の定番手法を参照すべき

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Mingxing Peng, Ruoyu Yao, Xusen Guo, Yuting Xie, Xianda Chen, Jun Ma

分類: cs.RO, cs.AI, cs.MA

原文アブストラクト

Safety-critical traffic simulation plays a crucial role in evaluating autonomous driving systems under rare and challenging scenarios. However, existing approaches often generate unrealistic scenarios due to insufficient consideration of physical plausibility and suffer from low generation efficiency. To address these limitations, we propose a guided latent diffusion model (LDM) capable of generating physically realistic and adversarial safety-critical traffic scenarios. Specifically, our model employs a graph-based variational autoencoder (VAE) to learn a compact latent space that captures complex multi-agent interactions while improving computational efficiency. Within this latent space, the diffusion model performs the denoising process to produce realistic trajectories. To enable controllable and adversarial scenario generation, we introduce novel guidance objectives that drive the diffusion process toward producing adversarial and behaviorally realistic driving behaviors. Furthermore, we develop a sample selection module based on physical feasibility checks to further enhance the physical plausibility of the generated scenarios. Extensive experiments on the nuScenes dataset demonstrate that our method achieves superior adversarial effectiveness and generation efficiency compared to existing baselines while maintaining a high level of realism. Our work provides an effective tool for realistic safety-critical scenario simulation, paving the way for more robust evaluation of autonomous driving systems.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧

今週よく読まれている記事

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大　最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携　2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM（ミニPC）

MINISFORUM（ミニPC）の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI
双腕モバイルマニピュレーターOpenShellの実機とお披露目フライヤー

双腕モバイルマニピュレーター OpenShell

人と働くために、顔がある。

OpenShellの特徴・実機を見る →