マルチエージェント自己対戦で相互作用を学習し制御可能な自動運転シナリオを生成
Learning to Interact in Multi-Agent Self-Play for Controllable Autonomous Driving Scenario Generation
エージェント相対の動的ゴールを導入したマルチエージェント自己対戦により、追い越しや割り込みなど相互作用を伴う安全上重要な運転シナリオを狙って生成できるようにした研究。
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: Beyazit Yalcinkaya, Ethan Pronovost, Maximilian Naumann, Marcell Vazquez-Chanlatte
分類: cs.RO, cs.LG
原文アブストラクト
Large-scale, multi-agent self-play trains robust driving policies effectively in simulation, but controlling these models to generate specific, safety-critical edge cases remains a key challenge. Existing goal-conditioned self-play frameworks rely primarily on static map-location goals and fail to reliably produce complex agent interactions such as aggressive tailgating or adversarial cut-offs. These agent interactions are necessary for rigorous autonomous vehicle (AV) testing. To address this, we present an extended multi-agent self-play framework that introduces agent-relative dynamic goals. By conditioning policies on this extended goal representation, our framework enables targeted, controllable scenario synthesis. We demonstrate that our approach successfully generates interactive driving behaviors that static-goal baselines cannot simulate, providing a flexible tool for long-tail scenario generation in AV testing.
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
- 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
