論文の概要: Enhancing Safety Standards in Automated Systems Using Dynamic Bayesian Networks
- arxiv url: http://arxiv.org/abs/2505.02050v1
- Date: Sun, 04 May 2025 09:58:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-06 18:49:35.397219
- Title: Enhancing Safety Standards in Automated Systems Using Dynamic Bayesian Networks
- Title（参考訳）: 動的ベイズネットワークを用いた自動システムの安全基準の強化
- Authors: Kranthi Kumar Talluri, Anders L. Madsen, Galia Weidl,
- Abstract要約: 高速交通における切り込み操作は、急激なブレーキや衝突につながる重要な課題を生じさせる。
本稿では,動的ベイズネットワーク(DBN)フレームワークを提案する。
これにより、自動走行システムにおける堅牢でスケーラブルで効率的な安全性検証の道が開ける。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cut-in maneuvers in high-speed traffic pose critical challenges that can lead to abrupt braking and collisions, necessitating safe and efficient lane change strategies. We propose a Dynamic Bayesian Network (DBN) framework to integrate lateral evidence with safety assessment models, thereby predicting lane changes and ensuring safe cut-in maneuvers effectively. Our proposed framework comprises three key probabilistic hypotheses (lateral evidence, lateral safety, and longitudinal safety) that facilitate the decision-making process through dynamic data processing and assessments of vehicle positions, lateral velocities, relative distance, and Time-to-Collision (TTC) computations. The DBN model's performance compared with other conventional approaches demonstrates superior performance in crash reduction, especially in critical high-speed scenarios, while maintaining a competitive performance in low-speed scenarios. This paves the way for robust, scalable, and efficient safety validation in automated driving systems.
- Abstract（参考訳）: 高速交通における切り込み操作は、急激なブレーキや衝突につながる重要な課題となり、安全で効率的な車線変更戦略を必要とする。
我々は,動的ベイズネットワーク(DBN)フレームワークを提案し,横方向の証拠を安全評価モデルと統合し,車線変化を予測し,安全なカットイン操作を効果的に保証する。
提案手法は,車両位置,横速度,相対距離,TTC(Time-to-Collision)計算の動的データ処理と評価により,意思決定プロセスを容易にする3つの重要な確率論的仮説(横型エビデンス,横型安全,縦型安全)から構成される。
他の従来の手法と比較してDBNモデルの性能は、特に臨界高速シナリオでは、クラッシュ低減の優れた性能を示しながら、低速シナリオでは競合性能を維持している。
これにより、自動走行システムにおける堅牢でスケーラブルで効率的な安全性検証の道が開ける。
関連論文リスト
- Advanced Longitudinal Control and Collision Avoidance for High-Risk Edge Cases in Autonomous Driving [0.0]
本稿では,緊急制動と適応巡航を統合した新しい長手方向制御・衝突回避アルゴリズムを提案する。
シミュレーションされた高リスクシナリオでは、重任務車両を含む状況においても、このアルゴリズムは衝突を効果的に防止する。
3台の車両が減速する典型的な高速道路のシナリオでは、提案されたDRLアプローチは、標準の連邦高速道路管理局の速度概念をはるかに上回る99%の成功率を達成する。
論文 参考訳（メタデータ） (2025-04-26T14:17:06Z) - Dynamic High-Order Control Barrier Functions with Diffuser for Safety-Critical Trajectory Planning at Signal-Free Intersections [9.041849642602626]
信号のない交差点を通る安全かつ効率的な軌道を計画することは、自動運転車にとって重要な課題である。
本研究では,動的高次制御バリア関数(DHOCBF)と拡散モデル(DSC-Diffuser)を統合する安全クリティカルプランニング手法を提案する。
動的環境における運転安全をより確実にするために,提案したDHOCBFフレームワークは周囲の車両の動きを考慮した動的調整を行う。
論文 参考訳（メタデータ） (2024-11-29T11:57:00Z) - 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) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳（メタデータ） (2023-10-19T02:49:31Z) - Runtime Stealthy Perception Attacks against DNN-based Adaptive Cruise Control Systems [8.561553195784017]
本稿では,実行時認識攻撃下での深層ニューラルネットワークを用いたACCシステムのセキュリティ評価を行う。
攻撃を誘発する最も重要な時間を選択するための文脈認識戦略を提案する。
提案攻撃の有効性を,実車,公用運転データセット,現実的なシミュレーションプラットフォームを用いて評価した。
論文 参考訳（メタデータ） (2023-07-18T03:12:03Z) - Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。
コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。
ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
論文 参考訳（メタデータ） (2022-10-03T08:38:38Z)
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。