論文の概要: An Empirical Analysis of Cooperative Perception for Occlusion Risk Mitigation

• arxiv url: http://arxiv.org/abs/2602.23051v1
• Date: Thu, 26 Feb 2026 14:38:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.741812
• Title: An Empirical Analysis of Cooperative Perception for Occlusion Risk Mitigation
• Title（参考訳）: 咬合リスク軽減のための協調認知の実証分析
• Authors: Aihong Wang, Tenghui Xie, Fuxi Wen, Jun Li,
• Abstract要約: 閉塞は、コネクテッドカーと自動車両にとって重要な課題である。 本稿では,包括的かつ普遍的なリスク評価指標である追跡損失リスク(RTL)を提案する。
• 参考スコア（独自算出の注目度）: 5.46089529597726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Occlusions present a significant challenge for connected and automated vehicles, as they can obscure critical road users from perception systems. Traditional risk metrics often fail to capture the cumulative nature of these threats over time adequately. In this paper, we propose a novel and universal risk assessment metric, the Risk of Tracking Loss (RTL), which aggregates instantaneous risk intensity throughout occluded periods. This provides a holistic risk profile that encompasses both high-intensity, short-term threats and prolonged exposure. Utilizing diverse and high-fidelity real-world datasets, a large-scale statistical analysis is conducted to characterize occlusion risk and validate the effectiveness of the proposed metric. The metric is applied to evaluate different vehicle-to-everything (V2X) deployment strategies. Our study shows that full V2X penetration theoretically eliminates this risk, the reduction is highly nonlinear; a substantial statistical benefit requires a high penetration threshold of 75-90%. To overcome this limitation, we propose a novel asymmetric communication framework that allows even non-connected vehicles to receive warnings. Experimental results demonstrate that this paradigm achieves better risk mitigation performance. We found that our approach at 25% penetration outperforms the traditional symmetric model at 75%, and benefits saturate at only 50% penetration. This work provides a crucial risk assessment metric and a cost-effective, strategic roadmap for accelerating the safety benefits of V2X deployment.
• Abstract（参考訳）: オークルージョンは、認識システムから重要な道路ユーザーを曖昧にすることができるため、コネクテッドカーや自動車両にとって重要な課題となる。 従来のリスクメトリクスは、時間とともにこれらの脅威の累積的な性質を適切に捉えられないことが多い。 本稿では,新規かつ普遍的なリスク評価指標である追跡損失リスク(RTL)を提案する。 これは、高強度、短期的脅威、長期露光の両方を含む全体的なリスクプロファイルを提供する。 多様な高忠実な実世界のデータセットを用いて、大規模統計分析を行い、閉塞リスクを特徴づけ、提案手法の有効性を検証した。 メトリクスは、異なるV2X(V2X)デプロイメント戦略を評価するために適用されます。 我々の研究は、V2Xの浸透が理論的にはこのリスクを排除し、還元は極めて非線形であり、実質的な統計的利点は75-90%の浸透しきい値を必要とすることを示している。 この制限を克服するために,非接続車でも警告を受信できる新しい非対称通信フレームワークを提案する。 実験により, このパラダイムによりリスク軽減性能が向上することが示された。 25%の浸透率でのアプローチは,従来の対称モデルよりも75%,50%の浸透率で飽和した。 この作業は、V2Xデプロイメントの安全性のメリットを加速するための、重要なリスク評価指標と、コスト効果の高い戦略的ロードマップを提供する。

関連論文リスト

• From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks [54.25638567385662]
  機械学習における微分プライバシーは、しばしばメンバーシップ推論に対する保証として解釈される。 DP予算を定量的な保護に翻訳することで、データ再構築の脅威を悪化させることは、依然として困難な課題である。 本稿では、実証された"ゼロスクラッチ"攻撃のメカニズムに合わせた、最初の公式なプライバシー境界を導出することで、臨界ギャップを埋める。
  論文  参考訳（メタデータ） (2024-02-20T09:52:30Z)
• Extreme Risk Mitigation in Reinforcement Learning using Extreme Value Theory [10.288413564829579]
  リスク認識の重要な側面は、破滅的な結果をもたらす可能性のある非常に稀なリスクイベント(リワード)をモデル化することである。 リスクを意識したRL手法は存在するが、リスク回避のレベルは状態-作用値関数の推定の精度に大きく依存している。 本研究では、状態-作用値関数分布によって予測される極端な値の予測を精査することに着目し、非常に稀で危険な事象に直面した場合のRLエージェントのレジリエンスを高めることを提案する。
  論文  参考訳（メタデータ） (2023-08-24T18:23:59Z)
• 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)
• Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
  リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。 特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。 迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
  論文  参考訳（メタデータ） (2022-05-10T19:40:52Z)
• Two steps to risk sensitivity [4.974890682815778]
  条件付きバリュー・アット・リスク(CVaR)は、人間と動物の計画のモデル化のためのリスク尺度である。 CVaRに対する従来の分布的アプローチを逐次的に導入し、人間の意思決定者の選択を再分析する。 次に,リスク感度,すなわち時間的整合性,さらに重要な特性について考察し,CVaRの代替案を示す。
  論文  参考訳（メタデータ） (2021-11-12T16:27:47Z)
• Automatic Risk Adaptation in Distributional Reinforcement Learning [26.113528145137497]
  実践的応用における強化学習(RL)エージェントの使用は、最適以下の結果を考慮する必要がある。 これは特に安全クリティカルな環境において重要であり、エラーは高いコストや損害をもたらす可能性がある。 リスク認識エージェントとリスク認識エージェントの両方と比較して, 失敗率を最大7倍に低下させ, 一般化性能を最大14%向上させた。
  論文  参考訳（メタデータ） (2021-06-11T11:31:04Z)
• Learning Bounds for Risk-sensitive Learning [86.50262971918276]
  リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。 最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
  論文  参考訳（メタデータ） (2020-06-15T05:25:02Z)
• Deep Survival Machines: Fully Parametric Survival Regression and Representation Learning for Censored Data with Competing Risks [14.928328404160299]
  本稿では,検閲データを用いた時系列予測問題において,相対リスクを推定するための新しいアプローチについて述べる。 我々のアプローチは、基礎となる生存分布の一定の比例的ハザードの強い仮定を必要としない。 これは検閲の有無で競合するリスクを伴う生存時間を完全にパラメトリックに推定する最初の作品である。
  論文  参考訳（メタデータ） (2020-03-02T20:21:59Z)

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。