論文の概要: Dataset Safety in Autonomous Driving: Requirements, Risks, and Assurance

• arxiv url: http://arxiv.org/abs/2511.08439v1
• Date: Wed, 12 Nov 2025 01:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.817437
• Title: Dataset Safety in Autonomous Driving: Requirements, Risks, and Assurance
• Title（参考訳）: 自動運転におけるデータセットの安全性:要件,リスク,保証
• Authors: Alireza Abbaspour, Tejaskumar Balgonda Patil, B Ravi Kiran, Russel Mohr, Senthil Yogamani,
• Abstract要約: 本稿では,ISO/PAS 8800ガイドラインに準拠した安全なデータセットを構築するための構造化フレームワークを提案する。 AIベースの知覚システムを主要なユースケースとして使用することで、AI Data Flywheelとデータセットライフサイクルが導入される。 このフレームワークは厳密な安全分析を取り入れ、リスクを特定し、データセットの不足によるリスクを軽減する。
• 参考スコア（独自算出の注目度）: 1.5495593104596397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dataset integrity is fundamental to the safety and reliability of AI systems, especially in autonomous driving. This paper presents a structured framework for developing safe datasets aligned with ISO/PAS 8800 guidelines. Using AI-based perception systems as the primary use case, it introduces the AI Data Flywheel and the dataset lifecycle, covering data collection, annotation, curation, and maintenance. The framework incorporates rigorous safety analyses to identify hazards and mitigate risks caused by dataset insufficiencies. It also defines processes for establishing dataset safety requirements and proposes verification and validation strategies to ensure compliance with safety standards. In addition to outlining best practices, the paper reviews recent research and emerging trends in dataset safety and autonomous vehicle development, providing insights into current challenges and future directions. By integrating these perspectives, the paper aims to advance robust, safety-assured AI systems for autonomous driving applications.
• Abstract（参考訳）: データセットの完全性は、AIシステムの安全性と信頼性、特に自律運転において基本となる。 本稿では,ISO/PAS 8800ガイドラインに準拠した安全なデータセットを構築するための構造化フレームワークを提案する。 AIベースの知覚システムを主要なユースケースとして使用することで、AI Data Flywheelとデータセットライフサイクルを導入し、データ収集、アノテーション、キュレーション、メンテナンスをカバーしている。 このフレームワークは厳密な安全分析を取り入れ、リスクを特定し、データセットの不足によるリスクを軽減する。 また、データセットの安全性要件を確立するためのプロセスを定義し、安全基準の遵守を保証するための検証と検証戦略を提案している。 ベストプラクティスの概要に加えて、データセットの安全性と自動運転車開発に関する最近の研究と新たなトレンドをレビューし、現在の課題と今後の方向性に関する洞察を提供する。 これらの視点を統合することで、自律運転アプリケーションのための堅牢で安全に保証されたAIシステムを進化させることを目指している。

関連論文リスト

• Rethinking Data Protection in the (Generative) Artificial Intelligence Era [138.07763415496288]
  現代の(生産的な)AIモデルやシステムに生じる多様な保護ニーズを捉える4段階の分類法を提案する。 当社のフレームワークは、データユーティリティとコントロールのトレードオフに関する構造化された理解を提供し、AIパイプライン全体にわたっています。
  論文  参考訳（メタデータ） (2025-07-03T02:45:51Z)
• SafeAgent: Safeguarding LLM Agents via an Automated Risk Simulator [77.86600052899156]
  LLM(Large Language Model)ベースのエージェントは、現実のアプリケーションにますますデプロイされる。 完全自動合成データ生成によるエージェント安全性を体系的に向上する最初のフレームワークであるAutoSafeを提案する。 AutoSafeは安全性のスコアを平均で45%向上させ、現実世界のタスクでは28.91%の改善を実現している。
  論文  参考訳（メタデータ） (2025-05-23T10:56:06Z)
• UniSTPA: A Safety Analysis Framework for End-to-End Autonomous Driving [10.063740202765343]
  我々はUnified System Theoretic Process Analysis (UniSTPA)フレームワークを提案する。 UniSTPAはコンポーネントレベルだけでなく、モデルの内部レイヤ内でもハザード分析を行います。 提案手法は,エンド・ツー・エンドの自動運転システムの安全開発と展開のための理論的および実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-05-21T01:23:31Z)
• 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)
• Inherent Diverse Redundant Safety Mechanisms for AI-based Software Elements in Automotive Applications [1.6495054381576084]
  本稿では,自律走行システムにおける人工知能(AI)アルゴリズムの役割と課題について考察する。 主な関心事は、AIモデルの初期のトレーニングデータを超えて一般化する能力(と必要性)に関連している。 本稿では、自律運転のような安全クリティカルなアプリケーションにおける過信AIモデルに関連するリスクについて検討する。
  論文  参考訳（メタデータ） (2024-02-13T04:15:26Z)
• Safety of autonomous vehicles: A survey on Model-based vs. AI-based approaches [1.370633147306388]
  AVの全体制御アーキテクチャを定義するための関連手法と概念について検討する。 このレビュープロセスを通じて、モデルベースの方法とAIベースのアプローチのいずれかを使用する研究を強調することを意図している。 本稿では,安全性検証技術と安全フレームワークの標準化・一般化という,AVの安全性を保証するための手法について論じる。
  論文  参考訳（メタデータ） (2023-05-29T08:05:32Z)
• An Empirical Analysis of the Use of Real-Time Reachability for the Safety Assurance of Autonomous Vehicles [7.1169864450668845]
  本稿では,1/10スケールのオープンソース自動運転車プラットフォームの安全性を確保するために,シンプルなアーキテクチャの実装にリアルタイムリーチビリティアルゴリズムを提案する。 提案手法では,システムの将来状態に対するコントローラの判断の影響に着目して,基盤となるコントローラを解析する必要性を抽象化する。
  論文  参考訳（メタデータ） (2022-05-03T11:12:29Z)

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。