マップ非依存かつ対話的な安全性臨界シナリオ生成：多目的木探索によるアプローチ
Map-Agnostic And Interactive Safety-Critical Scenario Generation via Multi-Objective Tree Search
自動運転システムの検証のため、多目的モンテカルロ木探索を用いて、現実的で多様な衝突シナリオを生成するフレームワークを提案した。地図に依存せず、交通参加者間の明示的な相互作用を考慮する。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Wenyun Li, Zejian Deng, Chen Sun
分類: cs.RO, cs.GR
原文アブストラクト
Generating safety-critical scenarios is essential for validating the robustness of autonomous driving systems, yet existing methods often struggle to produce collisions that are both realistic and diverse while ensuring explicit interaction logic among traffic participants. This paper presents a novel framework for traffic-flow level safety-critical scenario generation via multi-objective Monte Carlo Tree Search (MCTS). We reframe trajectory feasibility and naturalistic behavior as optimization objectives within a unified evaluation function, enabling the discovery of diverse collision events without compromising realism. A hybrid Upper Confidence Bound (UCB) and Lower Confidence Bound (LCB) search strategy is introduced to balance exploratory efficiency with risk-averse decision-making. Furthermore, our method is map-agnostic and supports interactive scenario generation with each vehicle individually powered by SUMO's microscopic traffic models, enabling realistic agent behaviors in arbitrary geographic locations imported from OpenStreetMap. We validate our approach across four high-risk accident zones in Hong Kong's complex urban environments. Experimental results demonstrate that our framework achieves an 85\% collision failure rate while generating trajectories with superior feasibility and comfort metrics. The resulting scenarios exhibit greater complexity, as evidenced by increased vehicle mileage and CO\(_2\) emissions. Our work provides a principled solution for stress testing autonomous vehicles through the generation of realistic yet infrequent corner cases at traffic-flow level.
関連論文
- 自動運転のシナリオクラスから生成される具体シナリオの品質評価自動運転シナリオ生成
- KG-ASG: 衝突知識に基づく閉ループ敵対的シナリオ生成と主犯・支援車両の帰属自動運転シナリオ生成
- CounterScene: 生成ワールドモデルにおける反実仮想因果推論による安全重視のクローズドループ評価自動運転シナリオ生成
- 実世界の衝突データに基づく自動運転向け安全臨界シナリオ生成自動運転シナリオ生成
- AGENTS-LLM: エージェント型LLMフレームワークによる難易度の高い交通シナリオの拡張生成自動運転シナリオ生成
- ReGentS: 実世界の安全クリティカルな運転シナリオ生成を安定化自動運転シナリオ生成
