論文の概要: Unsupervised Learning for Detection of Rare Driving Scenarios
- arxiv url: http://arxiv.org/abs/2512.23585v1
- Date: Mon, 29 Dec 2025 16:35:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.555071
- Title: Unsupervised Learning for Detection of Rare Driving Scenarios
- Title（参考訳）: 希少運転シナリオ検出のための教師なし学習
- Authors: Dat Le, Thomas Manhardt, Moritz Venator, Johannes Betz,
- Abstract要約: 本研究では,まれかつ極端な運転シナリオを検出するための教師なし学習フレームワークについて検討する。
我々は最近提案されたディープ・アイソレーション・フォレスト(DIF)を利用して、非線形および複雑な異常を識別する。
提案手法は, 稀かつ有害な運転シナリオを効果的に同定できることを示す。
- 参考スコア（独自算出の注目度）: 1.5399429731150376
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The detection of rare and hazardous driving scenarios is a critical challenge for ensuring the safety and reliability of autonomous systems. This research explores an unsupervised learning framework for detecting rare and extreme driving scenarios using naturalistic driving data (NDD). We leverage the recently proposed Deep Isolation Forest (DIF), an anomaly detection algorithm that combines neural network-based feature representations with Isolation Forests (IFs), to identify non-linear and complex anomalies. Data from perception modules, capturing vehicle dynamics and environmental conditions, is preprocessed into structured statistical features extracted from sliding windows. The framework incorporates t-distributed stochastic neighbor embedding (t-SNE) for dimensionality reduction and visualization, enabling better interpretability of detected anomalies. Evaluation is conducted using a proxy ground truth, combining quantitative metrics with qualitative video frame inspection. Our results demonstrate that the proposed approach effectively identifies rare and hazardous driving scenarios, providing a scalable solution for anomaly detection in autonomous driving systems. Given the study's methodology, it was unavoidable to depend on proxy ground truth and manually defined feature combinations, which do not encompass the full range of real-world driving anomalies or their nuanced contextual dependencies.
- Abstract（参考訳）: 稀で危険な運転シナリオの検出は、自律システムの安全性と信頼性を確保する上で重要な課題である。
本研究では,NDD(Naturistic driving data)を用いて,希少かつ極端な運転シナリオを検出するための教師なし学習フレームワークについて検討する。
我々は、ニューラルネットワークに基づく特徴表現と分離森林(IF)を組み合わせた異常検出アルゴリズムである、最近提案されたDeep isolated Forest (DIF)を活用し、非線形および複雑な異常を識別する。
車両の動特性や環境条件を把握した知覚モジュールからのデータは、スライドウィンドウから抽出された構造化された統計特徴に前処理される。
このフレームワークは、次元の減少と可視化のためにt分散確率的隣接埋め込み(t-SNE)を組み込んでおり、検出された異常のより良い解釈を可能にする。
定量的メトリクスと質的ビデオフレーム検査を組み合わせることで、プロキシ基底真理を用いて評価を行う。
提案手法は, 自律運転システムにおいて, 異常かつ有害な運転シナリオを効果的に同定し, 異常検出のためのスケーラブルなソリューションを提供する。
研究の方法論を考えると、プロキシ基底の真理と手動で定義された特徴の組み合わせに頼ることは避けられない。
関連論文リスト
- Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。
本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-28T11:40:18Z) - Dynamic Aware: Adaptive Multi-Mode Out-of-Distribution Detection for Trajectory Prediction in Autonomous Vehicles [8.920589816043298]
軌道予測は自動運転車の安全かつシームレスな運転の中心である。
デプロイメントにおいて、予測モデルは、トレーニングデータと実世界の条件の間の分散シフトに必然的に直面する。
本稿では,複雑な運転環境におけるロバスト検出を実現するための適応機構を提案する。
論文 参考訳（メタデータ） (2025-09-16T22:37:21Z) - Lane-Wise Highway Anomaly Detection [8.086502588472783]
本稿では,車線道路交通異常検出のためのスケーラブルかつ解釈可能なフレームワークを提案する。
従来のセンサ依存の手法とは異なり、我々の手法はAIを利用した視覚モデルを用いて車線固有の特徴を抽出する。
我々のフレームワークは、精度、リコール、F1スコアにおいて最先端の手法より優れています。
論文 参考訳（メタデータ） (2025-05-05T12:32:23Z) - Segmenting Objectiveness and Task-awareness Unknown Region for Autonomous Driving [46.70405993442064]
本稿では,自律走行シーンのためのセグメンティング・オブジェクトネスとタスク・アウェアネス(SOTA)という新しいフレームワークを提案する。
SOTAは、セマンティック・フュージョン・ブロック(SFB)を通じて目的のセグメンテーションを強化し、道路ナビゲーションタスクに関係のない異常をフィルタリングする。
論文 参考訳（メタデータ） (2025-04-27T10:08:54Z) - Towards a Multi-Agent Vision-Language System for Zero-Shot Novel Hazardous Object Detection for Autonomous Driving Safety [0.0]
視覚言語推論とゼロショットオブジェクト検出を統合したマルチモーダル手法を提案する。
予測ハザードとバウンディングボックスアノテーションを一致させるために,OpenAIのCLIPモデルを取り入れたオブジェクト検出を改良する。
その結果,現在の視覚言語に基づくアプローチの長所と短所が明らかになった。
論文 参考訳（メタデータ） (2025-04-18T01:25:02Z) - SCADE: Scalable Framework for Anomaly Detection in High-Performance System [0.0]
コマンドラインインタフェースは高性能コンピューティング環境に不可欠な存在である。
従来のセキュリティソリューションでは、コンテキスト固有の性質、ラベル付きデータの欠如、LOL(Living-off-the-Land)のような高度な攻撃の頻度による異常の検出に苦労している。
本稿では,グローバル統計モデルと局所的文脈特化分析を組み合わせた拡張型コマンドライン異常検出エンジン(SCADE)について紹介する。
論文 参考訳（メタデータ） (2024-12-05T15:39:13Z) - Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection [10.177917426690701]
階層的フェデレートラーニング(HFL)は、車両ネットワークにおける敵または信頼できない車両の課題に直面している。
本研究では,動的車両選択とロバストな異常検出機構を統合した新しい枠組みを提案する。
提案アルゴリズムは,強烈な攻撃条件下においても顕著なレジリエンスを示す。
論文 参考訳（メタデータ） (2024-05-25T18:31:20Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z) - Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。
NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。
本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
論文 参考訳（メタデータ） (2020-11-03T01:46:35Z)
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。