論文の概要: From Shadows to Safety: Occlusion Tracking and Risk Mitigation for Urban Autonomous Driving
- arxiv url: http://arxiv.org/abs/2504.01408v1
- Date: Wed, 02 Apr 2025 06:48:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-04 12:55:28.850854
- Title: From Shadows to Safety: Occlusion Tracking and Risk Mitigation for Urban Autonomous Driving
- Title（参考訳）: 影から安全へ:都市自動運転における排他的追跡とリスク軽減
- Authors: Korbinian Moller, Luis Schwarzmeier, Johannes Betz,
- Abstract要約: 本研究は、リスク認識型モーションプランニングと閉塞追跡における既存のアプローチを構築し、拡張する。
我々は,隠蔽領域の追跡と潜在的な危険の予測にシーケンシャル推論を組み込むことにより,幻エージェント中心モデルを強化する。
シミュレーションにより,提案手法は状況認識を改善し,能動的安全と効率的な交通流とのバランスを図っている。
- 参考スコア（独自算出の注目度）: 1.8434042562191815
- License:
- Abstract: Autonomous vehicles (AVs) must navigate dynamic urban environments where occlusions and perception limitations introduce significant uncertainties. This research builds upon and extends existing approaches in risk-aware motion planning and occlusion tracking to address these challenges. While prior studies have developed individual methods for occlusion tracking and risk assessment, a comprehensive method integrating these techniques has not been fully explored. We, therefore, enhance a phantom agent-centric model by incorporating sequential reasoning to track occluded areas and predict potential hazards. Our model enables realistic scenario representation and context-aware risk evaluation by modeling diverse phantom agents, each with distinct behavior profiles. Simulations demonstrate that the proposed approach improves situational awareness and balances proactive safety with efficient traffic flow. While these results underline the potential of our method, validation in real-world scenarios is necessary to confirm its feasibility and generalizability. By utilizing and advancing established methodologies, this work contributes to safer and more reliable AV planning in complex urban environments. To support further research, our method is available as open-source software at: https://github.com/TUM-AVS/OcclusionAwareMotionPlanning
- Abstract（参考訳）: 自動運転車(AV)は、閉塞や知覚の制限が重大な不確実性をもたらすような動的な都市環境をナビゲートする必要がある。
この研究は、これらの課題に対処するために、リスク認識型モーションプランニングと閉塞追跡の既存のアプローチを構築し、拡張する。
従来, 咬合追跡とリスクアセスメントの個別手法が開発されてきたが, これらの手法を統合した包括的手法は十分に研究されていない。
そこで我々は,隠蔽領域の追跡と潜在的な危険の予測にシーケンシャル推論を組み込むことにより,幻エージェント中心モデルを強化する。
本モデルは,異なる行動プロファイルを持つ多様な幻エージェントをモデル化することにより,現実的なシナリオ表現とコンテキスト認識型リスク評価を可能にする。
シミュレーションにより,提案手法は状況認識を改善し,能動的安全と効率的な交通流とのバランスを図っている。
これらの結果は,本手法の有効性を裏付けるものであるが,現実シナリオにおける検証は,その実現可能性と一般化可能性を確認するために必要である。
確立された手法を活用・発展させることで、複雑な都市環境における安全で信頼性の高いAV計画に寄与する。
さらなる研究を支援するため、我々の方法はオープンソースソフトウェアとしてhttps://github.com/TUM-AVS/OcclusionAwareMotionPlanningで利用可能である。
関連論文リスト
- INSIGHT: Enhancing Autonomous Driving Safety through Vision-Language Models on Context-Aware Hazard Detection and Edge Case Evaluation [7.362380225654904]
INSIGHTは、危険検出とエッジケース評価を強化するために設計された階層型視覚言語モデル(VLM)フレームワークである。
本手法は,マルチモーダルデータ融合を用いて意味表現と視覚表現を統合し,運転シナリオの正確な解釈を可能にする。
BDD100Kデータセットの実験結果は、既存のモデルよりもハザード予測の正確性と正確性を大幅に改善したことを示している。
論文 参考訳（メタデータ） (2025-02-01T01:43:53Z) - EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。
高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。
しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。
本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
論文 参考訳（メタデータ） (2024-08-08T13:19:37Z) - Enhanced Safety in Autonomous Driving: Integrating Latent State Diffusion Model for End-to-End Navigation [5.928213664340974]
本研究は自動運転の制御最適化問題における安全性問題に対処する。
本稿では,条件付きバリュー・アット・リスクに基づくソフトアクター批判を利用して,ポリシー最適化のための新しいモデルベースアプローチを提案する。
本手法では, 安全探索を誘導する最悪のアクターを導入し, 予測不可能なシナリオにおいても, 安全要件の厳密な遵守を確保する。
論文 参考訳（メタデータ） (2024-07-08T18:32:40Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Safeguarded Progress in Reinforcement Learning: Safe Bayesian
Exploration for Control Policy Synthesis [63.532413807686524]
本稿では、強化学習(RL)におけるトレーニング中の安全維持の問題に対処する。
探索中の効率的な進捗と安全性のトレードオフを扱う新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-12-18T16:09:43Z) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-03-17T00:28:33Z) - Evaluating Model-free Reinforcement Learning toward Safety-critical
Tasks [70.76757529955577]
本稿では、国家安全RLの観点から、この領域における先行研究を再考する。
安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。
この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
論文 参考訳（メタデータ） (2022-12-12T06:30:17Z) - I Know You Can't See Me: Dynamic Occlusion-Aware Safety Validation of
Strategic Planners for Autonomous Vehicles Using Hypergames [12.244501203346566]
我々は,状況リスクを評価するための,新しいマルチエージェント動的閉塞リスク尺度を開発した。
AVにおける戦略的プランナーの安全性を評価するための,ホワイトボックス,シナリオベース,アクセラレーション型安全検証フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-20T19:38:14Z) - Neural Bridge Sampling for Evaluating Safety-Critical Autonomous Systems [34.945482759378734]
シミュレーションの安全性評価には確率論的アプローチを用いており、危険事象の確率を計算することに関心がある。
探索, 利用, 最適化技術を組み合わせて, 故障モードを見つけ, 発生率を推定する新しいレアイベントシミュレーション手法を開発した。
論文 参考訳（メタデータ） (2020-08-24T17:46:27Z) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-09T05:57:43Z) - Safe Mission Planning under Dynamical Uncertainties [15.533842336139063]
本稿では,不確実な動環境下での安全なロボットミッション計画について考察する。
動的不確実性のモデリングと統合が安全な計画フレームワークに組み込まれているため、これは難しい問題である。
論文 参考訳（メタデータ） (2020-03-05T20:45:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。