深層強化学習（DRL）エージェントを安全性が重視される領域でテストする場合、多様な失敗シナリオを発見することが重要です。既存のツールであるINDAGOは、失敗回数の最大化に焦点を当てた単目的最適化に依存していますが、これでは多様性や異なるエラータイプの発見を保証できません。本研究では、失敗の可能性とテストシナリオの多様性の両方を共同最適化する新たなアプローチ「INDAGO-Nexus」を提案します。このアプローチは多目的進化アルゴリズムを用い、複数の多様性指標とパレートフロント選択戦略を組み合わせています。INDAGO-Nexusは、ヒューマノイドウォーカー、自動運転車、駐車エージェントの3つのDRLエージェントで評価され、平均でINDAGOよりも独自の失敗を83%多く、駐車シナリオでは40%多く発見でき、すべてのエージェントで故障までの時間を67%短縮しました。