Data-driven Diffusion Models for Enhancing Safety in Autonomous Vehicle Traffic Simulations

要約

安全性が重要な交通シナリオは、自動運転システムの開発と検証に不可欠です。
これらのシナリオは、現実の環境ではめったに遭遇しない高リスクの状況下での車両の反応についての重要な洞察を提供します。
クリティカル シナリオ生成における最近の進歩により、有効性と現実性の点で、拡散ベースのアプローチが従来の生成モデルよりも優れていることが実証されています。
しかし、現在の普及ベースの方法は、ドライバーの行動と交通密度の情報の複雑さに適切に対処できず、どちらもドライバーの意思決定プロセスに大きな影響を与えます。
この研究では、動作の複雑さと交通密度を組み込んだ拡散モデルに敵対的誘導機能を導入することで、これらの制限を克服する新しいアプローチを提案します。これにより、より効果的で現実的な安全クリティカルな交通シナリオの生成が強化されます。
提案手法は有効性と現実性の2つの評価指標で評価されています。提案手法は有効性と現実性の2つの評価指標で評価されており、他の最先端手法と比較して有効性が高いことが実証されています。

要約(オリジナル)

Safety-critical traffic scenarios are integral to the development and validation of autonomous driving systems. These scenarios provide crucial insights into vehicle responses under high-risk conditions rarely encountered in real-world settings. Recent advancements in critical scenario generation have demonstrated the superiority of diffusion-based approaches over traditional generative models in terms of effectiveness and realism. However, current diffusion-based methods fail to adequately address the complexity of driver behavior and traffic density information, both of which significantly influence driver decision-making processes. In this work, we present a novel approach to overcome these limitations by introducing adversarial guidance functions for diffusion models that incorporate behavior complexity and traffic density, thereby enhancing the generation of more effective and realistic safety-critical traffic scenarios. The proposed method is evaluated on two evaluation metrics: effectiveness and realism.The proposed method is evaluated on two evaluation metrics: effectiveness and realism, demonstrating better efficacy as compared to other state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google