論文の概要: Predict and Resist: Long-Term Accident Anticipation under Sensor Noise

• arxiv url: http://arxiv.org/abs/2511.08640v1
• Date: Thu, 13 Nov 2025 01:01:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.166129
• Title: Predict and Resist: Long-Term Accident Anticipation under Sensor Noise
• Title（参考訳）: 予測とレジスト:センサノイズによる長期的事故予測
• Authors: Xingcheng Liu, Bin Rao, Yanchen Guan, Chengyue Wang, Haicheng Liao, Jiaxun Zhang, Chengyu Lin, Meixin Zhu, Zhenning Li,
• Abstract要約: 事故予測は積極的で安全な自動運転に不可欠である。 現実の展開を妨げる2つの重要な課題は、天候、動きのぼかし、ハードウェアの制限によるノイズや劣化した感覚入力である。 本稿では,これらの課題に対処するために,拡散に基づくデノベーションと時間認識アクター批判モデルを統合する統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.759047709239788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accident anticipation is essential for proactive and safe autonomous driving, where even a brief advance warning can enable critical evasive actions. However, two key challenges hinder real-world deployment: (1) noisy or degraded sensory inputs from weather, motion blur, or hardware limitations, and (2) the need to issue timely yet reliable predictions that balance early alerts with false-alarm suppression. We propose a unified framework that integrates diffusion-based denoising with a time-aware actor-critic model to address these challenges. The diffusion module reconstructs noise-resilient image and object features through iterative refinement, preserving critical motion and interaction cues under sensor degradation. In parallel, the actor-critic architecture leverages long-horizon temporal reasoning and time-weighted rewards to determine the optimal moment to raise an alert, aligning early detection with reliability. Experiments on three benchmark datasets (DAD, CCD, A3D) demonstrate state-of-the-art accuracy and significant gains in mean time-to-accident, while maintaining robust performance under Gaussian and impulse noise. Qualitative analyses further show that our model produces earlier, more stable, and human-aligned predictions in both routine and highly complex traffic scenarios, highlighting its potential for real-world, safety-critical deployment.
• Abstract（参考訳）: 事故予知は、予防的かつ安全な自動運転には不可欠であり、短い事前警告さえも重大な回避行動を可能にする。 しかし、現実の展開を妨げる2つの重要な課題は、(1)天候、動きのぼかし、またはハードウェアの限界からのノイズや劣化した感覚入力、(2)早期警報と誤警報抑制のバランスをとる、タイムリーで信頼性のある予測を発行する必要性である。 本稿では,これらの課題に対処するために,拡散に基づくデノベーションと時間認識アクター批判モデルを統合する統合フレームワークを提案する。 拡散モジュールは、繰り返し精製によりノイズ耐性画像と物体の特徴を再構成し、センサ劣化時の臨界運動と相互作用の手がかりを保存する。 並行して、アクター批判アーキテクチャは、長時間の時間的推論と時間重み付けの報酬を活用して、警告を発生させる最適なタイミングを判断し、早期検出と信頼性を一致させる。 3つのベンチマークデータセット(DAD、CCD、A3D)の実験では、ガウスノイズとインパルスノイズ下での堅牢な性能を維持しながら、最先端の精度と、平均的な時間と事故の顕著な増加が示されている。 定性的な分析により、我々のモデルは、より早く、より安定し、より複雑な交通シナリオと非常に複雑な交通シナリオの両方において、人間に沿った予測を生成することが示され、実際の、安全クリティカルなデプロイメントの可能性を強調している。

関連論文リスト

• ROAR: Robust Accident Recognition and Anticipation for Autonomous Driving [17.936492070548]
  既存の手法では、センサーの故障、環境障害、データ不完全性といった課題を克服し、理想的な条件を想定することが多い。 本研究は,事故検出と予測のための新しいアプローチであるROARを紹介する。 ROARは、自己適応型オブジェクト認識モジュールである離散ウェーブレット変換(DWT)と、これらの課題に取り組むための動的焦点損失を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-11-09T04:55:37Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• Real-time Traffic Accident Anticipation with Feature Reuse [2.9803250365852443]
  本稿では,1つの事前学習対象検出器の中間機能を利用する軽量なフレームワークを提案する。 RAREは、DADとCDベンチマークの既存のアプローチよりも4～8倍のスピードアップを実現している。 複雑さが減ったにもかかわらず、最先端の平均精度を達成し、瞬時に衝突を確実に予測する。
  論文  参考訳（メタデータ） (2025-05-23T04:09:26Z)
• Real-time Accident Anticipation for Autonomous Driving Through Monocular Depth-Enhanced 3D Modeling [18.071748815365005]
  我々は、現在のSOTA(State-of-the-art)2Dベースの手法を超えて予測能力を著しく向上させる革新的なフレームワークであるAccNetを導入する。 本稿では,交通事故データセットにおけるスキュードデータ分散の課題に対処するため,早期予測のためのバイナリ適応損失(BA-LEA)を提案する。
  論文  参考訳（メタデータ） (2024-09-02T13:46:25Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Consistency Guided Scene Flow Estimation [159.24395181068218]
  CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。 提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。 最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
  論文  参考訳（メタデータ） (2020-06-19T17:28:07Z)

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。