論文の概要: Uncertainty-Aware Autonomous Vehicles: Predicting the Road Ahead

• arxiv url: http://arxiv.org/abs/2510.22680v1
• Date: Sun, 26 Oct 2025 13:49:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:21.990788
• Title: Uncertainty-Aware Autonomous Vehicles: Predicting the Road Ahead
• Title（参考訳）: 未確認の自動運転車:道路を前方から予測する
• Authors: Shireen Kudukkil Manchingal, Armand Amaritei, Mihir Gohad, Maryam Sultana, Julian F. P. Kooij, Fabio Cuzzolin, Andrew Bradley,
• Abstract要約: 本研究は,自律走行車に「不確かさを知る能力」を持たせることを目的とする。 予測の不確実性を明確に定量化するために、ランダムセットニューラルネットワーク(RS-NN)を利用する。 結果は、より安全で堅牢な自律運転のための実用的なソリューションとして、不確実性を認識したニューラルネットワークの可能性を示している。
• 参考スコア（独自算出の注目度）: 11.949263176207992
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous Vehicle (AV) perception systems have advanced rapidly in recent years, providing vehicles with the ability to accurately interpret their environment. Perception systems remain susceptible to errors caused by overly-confident predictions in the case of rare events or out-of-sample data. This study equips an autonomous vehicle with the ability to 'know when it is uncertain', using an uncertainty-aware image classifier as part of the AV software stack. Specifically, the study exploits the ability of Random-Set Neural Networks (RS-NNs) to explicitly quantify prediction uncertainty. Unlike traditional CNNs or Bayesian methods, RS-NNs predict belief functions over sets of classes, allowing the system to identify and signal uncertainty clearly in novel or ambiguous scenarios. The system is tested in a real-world autonomous racing vehicle software stack, with the RS-NN classifying the layout of the road ahead and providing the associated uncertainty of the prediction. Performance of the RS-NN under a range of road conditions is compared against traditional CNN and Bayesian neural networks, with the RS-NN achieving significantly higher accuracy and superior uncertainty calibration. This integration of RS-NNs into Robot Operating System (ROS)-based vehicle control pipeline demonstrates that predictive uncertainty can dynamically modulate vehicle speed, maintaining high-speed performance under confident predictions while proactively improving safety through speed reductions in uncertain scenarios. These results demonstrate the potential of uncertainty-aware neural networks - in particular RS-NNs - as a practical solution for safer and more robust autonomous driving.
• Abstract（参考訳）: 自律走行車(AV)の認識システムは近年急速に進歩しており、車両に環境を正確に解釈する能力を提供している。 認識システムは、稀な事象や異常なデータの場合、過度に信頼された予測によって引き起こされるエラーの影響を受けやすいままである。 本研究では,AVソフトウェアスタックの一部として,不確実性を認識した画像分類器を用いて,「不確実性」を認識できる自律走行車について検討した。 具体的には、ランダムセットニューラルネットワーク(RS-NN)を用いて予測の不確実性を明示的に定量化する。 伝統的なCNNやベイズ的手法とは異なり、RS-NNはクラスの集合上の信念関数を予測し、システムは新しいシナリオやあいまいなシナリオにおいて不確実性を明確に識別し、信号を送ることができる。 このシステムは現実世界の自動運転車のソフトウェアスタックでテストされており、RS-NNは前方の道路のレイアウトを分類し、関連する予測の不確実性を提供する。 道路条件下でのRS-NNの性能は従来のCNNやベイジアンニューラルネットワークと比較され,RS-NNは精度が高く,不確実性校正も優れている。 RS-NNをロボットオペレーティング・システム(ROS)ベースの車両制御パイプラインに統合することにより、予測の不確実性は車両の速度を動的に調節し、確実な予測の下で高速性能を維持しつつ、不確実なシナリオにおける速度低下による安全性を積極的に改善することを示す。 これらの結果は、より安全で堅牢な自律運転のための実用的なソリューションとして、不確実性を認識したニューラルネットワーク(特にRS-NN)の可能性を示している。

関連論文リスト

• Automatic AI controller that can drive with confidence: steering vehicle with uncertainty knowledge [3.131134048419781]
  本研究は,機械学習フレームワークを用いた車両の横方向制御システムの開発に焦点をあてる。 確率論的学習モデルであるベイズニューラルネットワーク(BNN)を用いて不確実性定量化に対処する。 信頼しきい値を確立することで、手動による介入をトリガーし、安全なパラメータの外で動作した場合に、制御がアルゴリズムから解放されることを保証できます。
  論文  参考訳（メタデータ） (2024-04-24T23:22:37Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Random-Set Neural Networks (RS-NN) [4.549947259731147]
  本稿では,新しいランダムセットニューラルネットワーク(RS-NN)による分類手法を提案する。 RS-NNは、不十分に代表される訓練セットによって引き起こされる「緊急」不確実性を符号化する。 提案手法は,精度,不確実性推定,アウト・オブ・ディストリビューション(OoD)検出において,最先端のベイズ法およびアンサンブル法より優れる。
  論文  参考訳（メタデータ） (2023-07-11T20:00:35Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
  ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。 NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。 本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T01:46:35Z)
• Frequentist Uncertainty in Recurrent Neural Networks via Blockwise Influence Functions [121.10450359856242]
  リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。 RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。 a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
  論文  参考訳（メタデータ） (2020-06-20T22:45:32Z)

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。