論文の概要: Conditional Flow Matching for Continuous Anomaly Detection in Autonomous Driving on a Manifold-Aware Spectral Space
- arxiv url: http://arxiv.org/abs/2602.17586v1
- Date: Thu, 19 Feb 2026 18:10:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-20 15:21:29.243106
- Title: Conditional Flow Matching for Continuous Anomaly Detection in Autonomous Driving on a Manifold-Aware Spectral Space
- Title（参考訳）: マニフォールド型スペクトル空間における自律走行における連続異常検出のための条件流マッチング
- Authors: Antonio Guillen-Perez,
- Abstract要約: 安全クリティカルな異常検出のための教師なしフレームワークであるDeep-Flowを提案する。
不安定で高次元の座標空間で動作する標準的な生成的アプローチとは異なり、Deep-Flowは生成過程を低ランクのスペクトル多様体に制約する。
これにより、設計によるキネマティックな滑らかさが保証され、数値的に安定で決定論的な対数類似度推定の計算が可能になる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Safety validation for Level 4 autonomous vehicles (AVs) is currently bottlenecked by the inability to scale the detection of rare, high-risk long-tail scenarios using traditional rule-based heuristics. We present Deep-Flow, an unsupervised framework for safety-critical anomaly detection that utilizes Optimal Transport Conditional Flow Matching (OT-CFM) to characterize the continuous probability density of expert human driving behavior. Unlike standard generative approaches that operate in unstable, high-dimensional coordinate spaces, Deep-Flow constrains the generative process to a low-rank spectral manifold via a Principal Component Analysis (PCA) bottleneck. This ensures kinematic smoothness by design and enables the computation of the exact Jacobian trace for numerically stable, deterministic log-likelihood estimation. To resolve multi-modal ambiguity at complex junctions, we utilize an Early Fusion Transformer encoder with lane-aware goal conditioning, featuring a direct skip-connection to the flow head to maintain intent-integrity throughout the network. We introduce a kinematic complexity weighting scheme that prioritizes high-energy maneuvers (quantified via path tortuosity and jerk) during the simulation-free training process. Evaluated on the Waymo Open Motion Dataset (WOMD), our framework achieves an AUC-ROC of 0.766 against a heuristic golden set of safety-critical events. More significantly, our analysis reveals a fundamental distinction between kinematic danger and semantic non-compliance. Deep-Flow identifies a critical predictability gap by surfacing out-of-distribution behaviors, such as lane-boundary violations and non-normative junction maneuvers, that traditional safety filters overlook. This work provides a mathematically rigorous foundation for defining statistical safety gates, enabling objective, data-driven validation for the safe deployment of autonomous fleets.
- Abstract（参考訳）: レベル4自動運転車(AV)の安全性検証は、従来のルールベースのヒューリスティックスを使用して、稀でリスクの高い長距離シナリオの検出をスケールできないことで、現在ボトルネックになっている。
本稿では,運転者の運転行動の連続確率密度を特徴付けるために,OT-CFM(Optimal Transport Conditional Flow Matching)を用いた安全クリティカルな異常検出のための教師なしフレームワークであるDeep-Flowを提案する。
不安定で高次元の座標空間で動作する標準的な生成的アプローチとは異なり、Deep-Flowは生成過程を主成分分析(PCA)ボトルネックを介して低ランクのスペクトル多様体に制約する。
これにより、設計によるキネマティックな滑らかさが保証され、数値的に安定で決定論的な対数類似度推定のための正確なジャコビアントレースの計算が可能になる。
複雑な接合における多モードのあいまいさを解決するために,レーン対応ゴール条件付アーリーフュージョントランスフォーマーエンコーダを用いて,フローヘッドへの直接スキップ接続を特徴とし,ネットワーク全体のインテントインテリジェンスを維持する。
本研究では,シミュレーション不要なトレーニングプロセスにおいて,高エネルギー操作(パストルチューシティとジャークによる定量化)を優先する運動量重み付け手法を提案する。
Waymo Open Motion Dataset (WOMD) で評価した結果,AUC-ROCの0.766を,安全クリティカルイベントのヒューリスティックなゴールデンセットに対して達成した。
さらに、我々の分析は、キネマティック・ハザードとセマンティック・ノンコンプライアンスの根本的な区別を明らかにしている。
Deep-Flowは、車線境界違反や非ノルマ的ジャンクション操作など、従来の安全フィルタが見落としているようなアウト・オブ・ディストリビューション行動に直面することによって、重要な予測可能性ギャップを識別する。
この研究は、統計安全ゲートを定義するための数学的に厳格な基盤を提供し、自律的な艦隊の安全な配備のための客観的なデータ駆動検証を可能にする。
関連論文リスト
- VSCOUT: A Hybrid Variational Autoencoder Approach to Outlier Detection in High-Dimensional Retrospective Monitoring [0.0]
VSCOUTは、高次元設定での振り返り(Phase I)監視のために設計された、配布不要のフレームワークである。
VSCOUTは、制御された偽アラームを維持しながら、特別な原因構造に対する優れた感度を実現する。
そのスケーラビリティ、分散柔軟性、レジリエンスは、AI対応環境でのリフレクションモデリングと異常検出の実用的で効果的な方法としてVSCOUTを位置づけている。
論文 参考訳（メタデータ） (2026-01-28T18:30:48Z) - AmbShield: Enhancing Physical Layer Security with Ambient Backscatter Devices against Eavesdroppers [69.56534335936534]
AmbShieldは自然分布のAmBDを利用して正規チャネルを強化し、eavesdropperを分解するAmBD支援PSSスキームである。
AmbShieldでは、AmBDはランダムに後方散乱して盗聴者の干渉を発生させるフレンドリーなジャマーとして利用され、受動的リレーは所望の信号を後方散乱して正当な装置の容量を高める。
論文 参考訳（メタデータ） (2026-01-14T20:56:50Z) - Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。
我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。
本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文 参考訳（メタデータ） (2025-09-24T13:35:15Z) - AI2-Active Safety: AI-enabled Interaction-aware Active Safety Analysis with Vehicle Dynamics [8.557684007368046]
本稿では,AIを利用した対話型アクティブ安全分析フレームワークを提案する。
このフレームワークは、道路勾配を考慮した自転車モデルを用いて、車両のダイナミクスを正確に捉える。
並行して、ハイパーグラフベースのAIモデルが開発され、環境トラフィックの確率的軌跡を予測する。
論文 参考訳（メタデータ） (2025-05-01T05:46:34Z) - Anomaly Detection in Cooperative Vehicle Perception Systems under Imperfect Communication [4.575903181579272]
協調認識に基づく異常検出フレームワーク(CPAD)を提案する。
CPADは堅牢なアーキテクチャであり、通信の中断下でも有効である。
実験の結果,本手法はAUCのF1スコアにおける標準異常分類法よりも優れていた。
論文 参考訳（メタデータ） (2025-01-28T22:41:06Z) - Mitigating Traffic Oscillations in Mixed Traffic Flow with Scalable Deep Koopman Predictive Control [11.428076811557437]
接続された自動車両(CAV)と人力車両(HDV)の交通振動の緩和は、交通の安定性を高めるために重要である。
本研究では,この問題に対処するための適応型深層クープマン予測制御フレームワーク(AdapKoopPC)を提案する。
このフレームワークは、自然データから適応的に学習することで、高次元空間における線形系として複雑なHDVカー追従ダイナミクスを表現する、新しいディープクープマンネットワークであるAdapKoopnetを特徴としている。
論文 参考訳（メタデータ） (2025-01-27T14:28:20Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。
コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。
ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
論文 参考訳（メタデータ） (2022-10-03T08:38:38Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳（メタデータ） (2020-04-07T12:29:06Z)
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。