[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

From Words to Collisions: LLM-Guided Evaluation and Adversarial Generation of Safety-Critical Driving Scenarios

Created by
  • Haebom

作者

Yuan Gao, Mattia Piccinini, Korbinian Moller, Amr Alanwar, Johannes Betz

概要

本論文は、自律走行車の安全のためのシナリオベースの仮想テストにおける安全にとって重要なシナリオの強力な評価と生成に焦点を当てています。既存の手作業シナリオに依存する方法の限界を克服するために、大規模言語モデル（LLM）を構造化シナリオ解析およびプロンプトエンジニアリングと組み合わせて、安全にとって重要な走行シナリオを自動的に評価して生成する新しいアプローチを提示します。カルテシアンおよび自己中心プロンプト戦略を使用したシナリオ評価モジュールと、危険誘発車両の軌跡を修正して危険なシナリオを生成する敵対生成モジュールを導入します。 2Dシミュレーションフレームワークと複数の事前トレーニング済みLLMを使用してアプローチを検証し、評価モジュールが衝突シナリオを効果的に検出し、シナリオの安全性を推論し、生成モジュールが高リスクエージェントを識別し、現実的で安全に重要なシナリオを合成することを示しています。結論として、ドメイン情報を含むプロンプト技術を持つLLMは、手作業指標への依存性を減らしながら、安全にとって重要な走行シナリオを効果的に評価して生成できることを実証しています。開発されたコードとシナリオは公開されています（ https://github.com/TUM-AVS/From-Words-to-Collisions ）。

Takeaways、Limitations

•
Takeaways：
◦
LLMを活用して自律走行安全シナリオの自動化された評価と生成が可能であることを示すことで、手作業の難しさと拡張性の限界を克服できる新たな可能性を提示します。
◦
カルテシアンおよび自己中心プロンプト戦略、敵対的生成モジュールなどの新しい技術により、より効果的で現実的な安全シナリオの生成と評価を可能にします。
◦
公開されたコードとシナリオを使用すると、他の研究者の後続の研究を促進できます。
•
Limitations：
◦
現時点では2Dシミュレーション環境でのみ検証されているため、3D環境への拡張と実際の道路環境での適用性に関するさらなる研究が必要です。
◦
LLMのパフォーマンスに依存するため、LLMの制限（偏り、不確実性など）が結果に影響を与える可能性があります。
◦
さまざまな種類のリスクシナリオをどの程度包括的に作成して評価できるかについての追加の検証が必要です。
◦
LLMの解釈の可能性と信頼性に関するさらなる研究が必要です。
👍
Made with Slashpage