論文の概要: On the Assessment of Sensitivity of Autonomous Vehicle Perception

• arxiv url: http://arxiv.org/abs/2602.00314v1
• Date: Fri, 30 Jan 2026 21:06:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.112617
• Title: On the Assessment of Sensitivity of Autonomous Vehicle Perception
• Title（参考訳）: 自動運転車の知覚の感度評価について
• Authors: Apostol Vassilev, Munawar Hasan, Edward Griffor, Honglan Jin, Pavel Piliptchak, Mahima Arora, Thoshitha Gamage,
• Abstract要約: 自動走行の実現性は知覚システムの性能に大きく依存する。 モデルアンサンブルに基づく予測感度定量化を用いて知覚性能を評価する。 異なる路面上の停止標識におけるAVの停止距離に基づいて知覚評価基準を開発する。
• 参考スコア（独自算出の注目度）: 0.13858851827255522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The viability of automated driving is heavily dependent on the performance of perception systems to provide real-time accurate and reliable information for robust decision-making and maneuvers. These systems must perform reliably not only under ideal conditions, but also when challenged by natural and adversarial driving factors. Both of these types of interference can lead to perception errors and delays in detection and classification. Hence, it is essential to assess the robustness of the perception systems of automated vehicles (AVs) and explore strategies for making perception more reliable. We approach this problem by evaluating perception performance using predictive sensitivity quantification based on an ensemble of models, capturing model disagreement and inference variability across multiple models, under adverse driving scenarios in both simulated environments and real-world conditions. A notional architecture for assessing perception performance is proposed. A perception assessment criterion is developed based on an AV's stopping distance at a stop sign on varying road surfaces, such as dry and wet asphalt, and vehicle speed. Five state-of-the-art computer vision models are used, including YOLO (v8-v9), DEtection TRansformer (DETR50, DETR101), Real-Time DEtection TRansformer (RT-DETR)in our experiments. Diminished lighting conditions, e.g., resulting from the presence of fog and low sun altitude, have the greatest impact on the performance of the perception models. Additionally, adversarial road conditions such as occlusions of roadway objects increase perception sensitivity and model performance drops when faced with a combination of adversarial road conditions and inclement weather conditions. Also, it is demonstrated that the greater the distance to a roadway object, the greater the impact on perception performance, hence diminished perception robustness.
• Abstract（参考訳）: 自動走行の実現性は認識システムの性能に大きく依存し、堅牢な意思決定と操作のためにリアルタイムに正確で信頼性の高い情報を提供する。 これらのシステムは、理想的な条件下でだけでなく、自然および敵対的な駆動要因によっても確実に実行されなければならない。 どちらの種類の干渉も、検知と分類において認識エラーと遅延を引き起こす可能性がある。 したがって、自動運転車(AV)の認識システムの堅牢性を評価し、認識をより信頼性のあるものにするための戦略を検討することが不可欠である。 本研究では,モデルアンサンブルに基づく予測感度定量化による認識性能の評価を行い,複数のモデル間でのモデル不一致と推論のバラツキを,シミュレーション環境と実環境の両方において悪な運転シナリオ下で捉えることにより,この問題に対処する。 知覚性能を評価するための記法アーキテクチャを提案する。 乾燥したアスファルトや車両速度などの様々な路面上の停止標識におけるAVの停止距離に基づいて、認識評価基準を開発する。 実験では、YOLO (v8-v9)、Detection TRansformer (DETR50, DETR101)、Real-Time DEtection TRansformer (RT-DETR) の5つの最先端コンピュータビジョンモデルを用いている。 霧や太陽高度が低いことから生じる減光条件は、知覚モデルの性能に最も大きな影響を及ぼす。 また、道路物体の閉塞などの敵路条件は、敵路条件とインクリメント気象条件の組み合わせに直面した場合、知覚感度とモデル性能低下を増加させる。 また,道路物体への距離が大きくなるほど,知覚性能が向上し,知覚ロバスト性が低下することが実証された。

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)
• Object detection in adverse weather conditions for autonomous vehicles using Instruct Pix2Pix [1.15692661299731]
  悪天候下での物体検出システムの堅牢性向上は、自律運転技術の進歩に不可欠である。 本研究では,拡散モデル Instruct Pix2Pix を用いた気象モデルによる現実的なデータセット生成手法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T05:12:07Z)
• LanEvil: Benchmarking the Robustness of Lane Detection to Environmental Illusions [61.87108000328186]
  レーン検出(LD)は自律走行システムにおいて不可欠な要素であり、適応型クルーズ制御や自動車線センターなどの基本的な機能を提供している。 既存のLDベンチマークは主に、環境錯覚に対するLDモデルの堅牢性を無視し、一般的なケースを評価することに焦点を当てている。 本稿では、LDに対する環境錯覚による潜在的な脅威について検討し、LanEvilの最初の総合ベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-03T02:12:27Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)
• How Do We Fail? Stress Testing Perception in Autonomous Vehicles [40.19326157052966]
  本稿では、悪天候下での自動運転車のLiDARによる認識システムの故障を特徴付ける手法を提案する。 本研究では,物体追跡や乱れの列による軌道予測において,潜在的な故障を発見するための強化学習に基づく手法を開発する。
  論文  参考訳（メタデータ） (2022-03-26T20:48:09Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。