論文の概要: SVBRD-LLM: Self-Verifying Behavioral Rule Discovery for Autonomous Vehicle Identification

• arxiv url: http://arxiv.org/abs/2511.14977v1
• Date: Tue, 18 Nov 2025 23:45:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.566454
• Title: SVBRD-LLM: Self-Verifying Behavioral Rule Discovery for Autonomous Vehicle Identification
• Title（参考訳）: SVBRD-LLM:自律車両識別のための自己検証行動ルール発見
• Authors: Xiangyu Li, Zhaomiao Guo,
• Abstract要約: 本稿では,実際の交通映像から解釈可能な行動ルールを自動的に検出し,検証し,適用するフレームワークであるSVBRD-LLMを提案する。 このフレームワークは、YOLOv8とByteTrackを使用して車両軌跡を抽出し、キネマティックな特徴を計算し、GPT-5ゼロショットプロンプトを使用して自律車と人力車を比較している。 1500時間以上の実際の交通ビデオの実験では、このフレームワークは90.0%の精度と93.3%のF1スコアを達成した。
• 参考スコア（独自算出の注目度）: 1.6386429281694148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As more autonomous vehicles operate on public roads, understanding real-world behavior of autonomous vehicles is critical to analyzing traffic safety, making policies, and public acceptance. This paper proposes SVBRD-LLM, a framework that automatically discovers, verifies, and applies interpretable behavioral rules from real traffic videos through zero-shot prompt engineering. The framework extracts vehicle trajectories using YOLOv8 and ByteTrack, computes kinematic features, and employs GPT-5 zero-shot prompting to compare autonomous and human-driven vehicles, generating 35 structured behavioral rule hypotheses. These rules are tested on a validation set, iteratively refined based on failure cases to filter spurious correlations, and compiled into a high-confidence rule library. The framework is evaluated on an independent test set for speed change prediction, lane change prediction, and autonomous vehicle identification tasks. Experiments on over 1500 hours of real traffic videos show that the framework achieves 90.0% accuracy and 93.3% F1-score in autonomous vehicle identification. The discovered rules clearly reveal distinctive characteristics of autonomous vehicles in speed control smoothness, lane change conservativeness, and acceleration stability, with each rule accompanied by semantic description, applicable context, and validation confidence.
• Abstract（参考訳）: 自動運転車が公道で走るようになるにつれ、自動運転車の実際の行動を理解することは、交通の安全、政策、そして公共の受け入れを分析する上で非常に重要である。 本稿では,ゼロショットプロンプト技術を用いて,実交通映像から解釈可能な動作ルールを自動検出し,検証し,適用するSVBRD-LLMを提案する。 このフレームワークは、YOLOv8とByteTrackを使用して車両軌跡を抽出し、運動特性を計算し、GPT-5ゼロショットを使用して、自律車と人間駆動車を比較し、35の構造化された行動規則仮説を生成する。 これらのルールは検証セット上でテストされ、失敗事例に基づいて反復的に洗練され、急激な相関をフィルタリングし、高信頼のルールライブラリにコンパイルされる。 このフレームワークは、速度変化予測、車線変化予測、自動車両識別タスクのための独立したテストセットで評価される。 1500時間以上の実際の交通ビデオの実験では、このフレームワークは90.0%の精度と93.3%のF1スコアを達成した。 検出されたルールは,速度制御のスムーズさ,車線変更の保守性,加速安定性などの自律走行車の特徴を明らかにし,各ルールには意味記述,適用状況,検証の信頼性が伴う。

関連論文リスト

• A Novel AI-Driven System for Real-Time Detection of Mirror Absence, Helmet Non-Compliance, and License Plates Using YOLOv8 and OCR [0.8921166277011348]
  道路安全は重要な世界的な問題であり、ヘルメット法や車両安全基準のマニュアルが資源集約的で矛盾している。 本稿では,交通違反検出を自動化し,実施効率と道路安全を著しく向上するAIを利用したシステムを提案する。
  論文  参考訳（メタデータ） (2025-11-15T13:18:17Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• Rigorous Simulation-based Testing for Autonomous Driving Systems -- Targeting the Achilles' Heel of Four Open Autopilots [6.229766691427486]
  本稿では,シナリオを単純なものに分割した厳密なテスト手法を提案する。 クリティカルな状況において、車両をテスト対象とするクリティカルな構成のテストケースを生成します。 テストケースでは、Apollo、Autoware、CarlaとLGSVLのオートパイロットに重大な欠陥が見られる。
  論文  参考訳（メタデータ） (2024-05-27T08:06:21Z)
• Are you a robot? Detecting Autonomous Vehicles from Behavior Analysis [6.422370188350147]
  本稿では,車両が自律的かどうかを判断するために,カメラ画像と状態情報を用いてアクティブな車両を監視するフレームワークを提案する。 基本的には、自動運転車を識別するための機械学習モデルを提供する道路上で取得したデータをシェアする車両間の協力に基づいて構築される。 実験により,ビデオクリップを80%の精度で解析することにより,2つの行動の識別が可能であることが確認された。
  論文  参考訳（メタデータ） (2024-03-14T17:00:29Z)
• Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable Abnormal Behaviors of Human Drivers via Information Sharing [21.979007506007733]
  提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。 最高の性能は97.3%、平均検出遅延1.2、誤警報0である。
  論文  参考訳（メタデータ） (2023-08-23T18:24:28Z)
• Non-Intrusive Driver Behavior Characterization From Road-Side Cameras [1.9659095632676098]
  本稿では,ITS システムの路面カメラのみを用いて車体挙動を特徴付ける概念の証明を示す。 また,外部映像分析に基づく運転者の分類は,車両のキャラクタリゼーションの精度の1～2%以内の精度が得られることを示した。
  論文  参考訳（メタデータ） (2023-02-25T17:22:49Z)
• Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
  本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。 本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-04-28T07:37:21Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)

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。