論文の概要: Argus: Resilience-Oriented Safety Assurance Framework for End-to-End ADSs

• arxiv url: http://arxiv.org/abs/2511.09032v1
• Date: Thu, 13 Nov 2025 01:26:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.36664
• Title: Argus: Resilience-Oriented Safety Assurance Framework for End-to-End ADSs
• Title（参考訳）: Argus: エンドツーエンドADSのためのレジリエンス指向安全保証フレームワーク
• Authors: Dingji Wang, You Lu, Bihuan Chen, Shuo Hao, Haowen Jiang, Yifan Tian, Xin Peng,
• Abstract要約: 本稿では,運転の危険を軽減し,潜在的な安全違反を防止し,ADSの運転性能を向上させるための実行時レジリエンス指向フレームワークArgusを提案する。 我々はArgusを最先端の3つのADS、すなわちTCP、UniAD、VADと統合する。 評価の結果、ArgusはADSのレジリエンスを効果的かつ効率的に向上させ、ADSの駆動スコアを平均150.30%向上させ、違反の最大64.38%を防止し、時間的オーバーヘッドを少なく抑えることができた。
• 参考スコア（独自算出の注目度）: 5.669068219648326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end autonomous driving systems (ADSs), with their strong capabilities in environmental perception and generalizable driving decisions, are attracting growing attention from both academia and industry. However, once deployed on public roads, ADSs are inevitably exposed to diverse driving hazards that may compromise safety and degrade system performance. This raises a strong demand for resilience of ADSs, particularly the capability to continuously monitor driving hazards and adaptively respond to potential safety violations, which is crucial for maintaining robust driving behaviors in complex driving scenarios. To bridge this gap, we propose a runtime resilience-oriented framework, Argus, to mitigate the driving hazards, thus preventing potential safety violations and improving the driving performance of an ADS. Argus continuously monitors the trajectories generated by the ADS for potential hazards and, whenever the EGO vehicle is deemed unsafe, seamlessly takes control through a hazard mitigator. We integrate Argus with three state-of-the-art end-to-end ADSs, i.e., TCP, UniAD and VAD. Our evaluation has demonstrated that Argus effectively and efficiently enhances the resilience of ADSs, improving the driving score of the ADS by up to 150.30% on average, and preventing up to 64.38% of the violations, with little additional time overhead.
• Abstract（参考訳）: 環境認識と一般化可能な運転決定に強い能力を持つエンドツーエンド自動運転システム(ADS)は、学術と産業の両方から注目を集めている。 しかし、一度公道に配備されると、ADSは安全を損なう恐れのある様々な運転の危険にさらされ、システム性能を低下させてしまう。 これにより、ADSのレジリエンスに対する強い要求、特に複雑な運転シナリオにおいて堅牢な運転行動を維持するために不可欠である、運転の危険を継続的に監視し、潜在的な安全違反に適応する能力が高まります。 このギャップを埋めるため、我々は、運転の危険を軽減し、潜在的な安全違反を防止し、ADSの運転性能を向上させるための実行時レジリエンス指向のフレームワークArgusを提案する。 アルガスはADSが発生した軌道を継続的に監視し、EGO車両が安全でないとみなされるたびに、危険軽減装置を通じてシームレスに制御する。 我々はArgusを最先端の3つのADS、すなわちTCP、UniAD、VADと統合する。 評価の結果、ArgusはADSのレジリエンスを効果的かつ効率的に向上させ、ADSの駆動スコアを平均150.30%向上させ、違反の最大64.38%を防止し、時間的オーバーヘッドを少なく抑えることができた。

関連論文リスト

• Harnessing ADAS for Pedestrian Safety: A Data-Driven Exploration of Fatality Reduction [4.1201966507589995]
  歩行者の死者はアメリカ合衆国でも増え続けている。 Advanced Driver Assistance Systems (ADAS)は、歩行者の安全を改善するための有望な道を提供する。 本研究では、FARS(Fatality Analysis Reporting System)を用いた包括的データ駆動分析を行う。 その結果、ADASは事故の重大度を低減し、いくつかの致命傷を予防できるが、その効果は低照度および悪天候下で減少することが示された。
  論文  参考訳（メタデータ） (2025-08-24T17:58:55Z)
• Safety Interventions against Adversarial Patches in an Open-Source Driver Assistance System [5.685434934401208]
  認識入力を標的とする安全クリティカルアタックに対して,広く使用されているADASのレジリエンスを評価する。 様々な安全機構をシミュレートして、攻撃軽減効果とADASレジリエンスの強化効果を評価する。
  論文  参考訳（メタデータ） (2025-04-26T18:28:35Z)
• MARL-OT: Multi-Agent Reinforcement Learning Guided Online Fuzzing to Detect Safety Violation in Autonomous Driving Systems [1.1677228160050082]
  本稿では、MARLを利用して自律運転システム(ADS)の安全違反を検出するスケーラブルなフレームワークであるMARL-OTを紹介する。 MARL-OTは、高レベルのガイダンスにMARLを採用しており、ルールベースのオンラインファジィザがADSの潜在的な安全違反を調査するために、様々な危険なシナリオを引き起こしている。 本手法は,最新技術(SOTA)試験法と比較して,検出された安全違反率を最大136.2%向上させる。
  論文  参考訳（メタデータ） (2025-01-24T12:34:04Z)
• Black-Box Adversarial Attack on Vision Language Models for Autonomous Driving [65.61999354218628]
  我々は、自律運転システムにおいて、視覚言語モデル(VLM)をターゲットとしたブラックボックス敵攻撃を設計する第一歩を踏み出す。 セマンティクスの生成と注入による低レベル推論の分解を目標とするカスケーディング・アディバーショナル・ディスラプション(CAD)を提案する。 本稿では,高レベルリスクシナリオの理解と構築に代理VLMを活用することで,動的適応に対処するリスクシーンインジェクションを提案する。
  論文  参考訳（メタデータ） (2025-01-23T11:10:02Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• LADRI: LeArning-based Dynamic Risk Indicator in Automated Driving System [0.38073142980732994]
  本稿では,自動運転システム(ADS)におけるリアルタイム動的リスクアセスメントのためのフレームワークを提案する。 提案手法はこれらの制限を超越し、ニューラルネットワーク(ANN)を用いてリスク次元を慎重に分析し分類する。
  論文  参考訳（メタデータ） (2024-01-04T11:09:15Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• Invisible for both Camera and LiDAR: Security of Multi-Sensor Fusion based Perception in Autonomous Driving Under Physical-World Attacks [62.923992740383966]
  本稿では,MDFに基づくADシステムにおけるセキュリティ問題の最初の研究について述べる。 物理的に実現可能な逆3Dプリントオブジェクトを生成し、ADシステムが検出に失敗してクラッシュする。 以上の結果から,攻撃は様々なオブジェクトタイプおよびMSFに対して90%以上の成功率を達成した。
  論文  参考訳（メタデータ） (2021-06-17T05:11:07Z)

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。