論文の概要: CarlaNCAP: A Framework for Quantifying the Safety of Vulnerable Road Users in Infrastructure-Assisted Collective Perception Using EuroNCAP Scenarios

• arxiv url: http://arxiv.org/abs/2512.11551v1
• Date: Fri, 12 Dec 2025 13:35:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.301053
• Title: CarlaNCAP: A Framework for Quantifying the Safety of Vulnerable Road Users in Infrastructure-Assisted Collective Perception Using EuroNCAP Scenarios
• Title（参考訳）: CarlaNCAP - EuroNCAPシナリオを用いたインフラ支援型集団認識における脆弱性のある道路利用者の安全性の定量化フレームワーク
• Authors: Jörg Gamerdinger, Sven Teufel, Simon Roller, Oliver Bringmann,
• Abstract要約: Vulnerable Road Users (VRU) は特に都市環境において危険にさらされている。 AD と Collective Perception (CP) はこれらのリスクを軽減するための有望なソリューションである。 本稿では,VRUを対象としたインフラベースCPによる安全性向上のための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）: 0.5701177763922466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing number of road users has significantly increased the risk of accidents in recent years. Vulnerable Road Users (VRUs) are particularly at risk, especially in urban environments where they are often occluded by parked vehicles or buildings. Autonomous Driving (AD) and Collective Perception (CP) are promising solutions to mitigate these risks. In particular, infrastructure-assisted CP, where sensor units are mounted on infrastructure elements such as traffic lights or lamp posts, can help overcome perceptual limitations by providing enhanced points of view, which significantly reduces occlusions. To encourage decision makers to adopt this technology, comprehensive studies and datasets demonstrating safety improvements for VRUs are essential. In this paper, we propose a framework for evaluating the safety improvement by infrastructure-based CP specifically targeted at VRUs including a dataset with safety-critical EuroNCAP scenarios (CarlaNCAP) with 11k frames. Using this dataset, we conduct an in-depth simulation study and demonstrate that infrastructure-assisted CP can significantly reduce accident rates in safety-critical scenarios, achieving up to 100% accident avoidance compared to a vehicle equipped with sensors with only 33%. Code is available at https://github.com/ekut-es/carla_ncap
• Abstract（参考訳）: 近年,道路利用者の増加は事故のリスクを著しく高めている。 Vulnerable Road Users (VRU) は、特に駐車した車や建物に閉じ込められている都市環境において、特に危険にさらされている。 自律運転(AD)と集団知覚(CP)は、これらのリスクを軽減するための有望なソリューションである。 特に、信号機やランプポストなどのインフラ要素にセンサーユニットを装着するインフラ支援CPは、視界の高度化によって知覚的限界を克服し、閉塞を著しく減少させる。 意思決定者がこの技術を採用することを奨励するためには、VRUの安全性向上を示す包括的な研究とデータセットが不可欠である。 本稿では,安全クリティカルなEuroNCAPシナリオ(CarlaNCAP)と11kフレームのデータセットを含む,VRUを対象としたインフラストラクチャベースのCPによる安全性向上評価フレームワークを提案する。 このデータセットを用いて、詳細なシミュレーションを行い、インフラ支援CPは安全クリティカルなシナリオにおける事故発生率を33%のセンサーを搭載した車両と比較して最大100%の事故回避が可能であることを実証した。 コードはhttps://github.com/ekut-es/carla_ncapで入手できる。

関連論文リスト

• OD-RASE: Ontology-Driven Risk Assessment and Safety Enhancement for Autonomous Driving [7.240412456828376]
  OD-RASEは自動運転システムの安全性を高めるためのフレームワークである。 オントロジー駆動型データフィルタリングは事故発生時の道路構造物の高精度な予測を可能にする。
  論文  参考訳（メタデータ） (2026-03-06T06:08:40Z)
• Safeguarding Federated Learning-based Road Condition Classification [9.25788964991865]
  フェデレートラーニング(FL)は、プライバシー保護自動運転のための有望なソリューションとして登場した。 しかし、FL-RCCフレームワークの協調的な性質には、新たな脆弱性が導入されている。 TLFAは、車両がスリッパで危険な道路条件を素早いものと誤分類し、推奨速度を超える可能性がある。 1)既存のFL-RCCシステムの脆弱性をTLFAに開示し、2)TLFAがもたらす安全リスクを正確に定量化するためのラベル距離に基づく新しい指標を導入し、3)FLAREを提案する。
  論文  参考訳（メタデータ） (2025-07-16T18:33:29Z)
• Mitigating Vulnerable Road Users Occlusion Risk Via Collective Perception: An Empirical Analysis [0.0]
  本稿では,車とVRUの両方のダイナミクスに基づいて,閉塞リスクを定量化するアルゴリズムを提案する。 本研究は,VRUの安全性における集団知覚サービス(CPS)の役割について検討する。
  論文  参考訳（メタデータ） (2024-04-11T13:54:15Z)
• Infrastructure-Assisted Collaborative Perception in Automated Valet Parking: A Safety Perspective [11.405406875019175]
  協調知覚は、連結車両の視野を広げるために適用することができる。 インフラ支援型AVPシステムのためのBEV機能に基づくCPネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-22T12:11:06Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Analyzing vehicle pedestrian interactions combining data cube structure and predictive collision risk estimation model [5.73658856166614]
  本研究では,フィールドと集中型プロセスを組み合わせた歩行者安全システムについて紹介する。 本システムは,現場における今後のリスクを直ちに警告し,実際の衝突のない道路の安全レベルを評価することにより,危険頻繁なエリアの安全性を向上させることができる。
  論文  参考訳（メタデータ） (2021-07-26T23:00:56Z)
• Cautious Adaptation For Reinforcement Learning in Safety-Critical Settings [129.80279257258098]
  都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。 非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。 多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
  論文  参考訳（メタデータ） (2020-08-15T01:40:59Z)

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。