論文の概要: Safety Case Patterns for VLA-based driving systems: Insights from SimLingo

• arxiv url: http://arxiv.org/abs/2603.16013v1
• Date: Mon, 16 Mar 2026 23:43:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.044772
• Title: Safety Case Patterns for VLA-based driving systems: Insights from SimLingo
• Title（参考訳）: VLA駆動システムの安全事例パターン:SimLingoからの考察
• Authors: Gerhard Yu, Fuyuki Ishikawa, Oluwafemi Odu, Alvine Boaye Belle,
• Abstract要約: VLA(Vision-Language-Action)ベースの運転システムは、より柔軟で適応的で、命令対応の運転行動を可能にする。 VLAベースの運転システムは、新しい種類の危険行動を示す可能性がある。 これを支援するために,RAISEと呼ばれる新しい安全ケース設計手法を提案する。
• 参考スコア（独自算出の注目度）: 5.856949773179846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language-Action (VLA)-based driving systems represent a significant paradigm shift in autonomous driving since, by combining traffic scene understanding, linguistic interpretation, and action generation, these systems enable more flexible, adaptive, and instruction-responsive driving behaviors. However, despite their growing adoption and potential to support socially responsible autonomous driving while understanding high-level human instructions, VLA-based driving systems may exhibit new types of hazardous behaviors. Such as the addition of natural language inputs (e.g., user or navigation instructions) into the multimodal control loop, which may lead to unpredictable and unsafe behaviors that could endanger vehicle occupants and pedestrians. Hence, assuring the safety of these systems is crucial to help build trust in their operations. To support this, we propose a novel safety case design approach called RAISE. Our approach introduces novel patterns tailored to instruction-based driving systems such as VLA-based driving systems, an extension of Hazard Analysis and Risk Assessment (HARA) detailing safe scenarios and their outcomes, and a design technique to create the safety cases of VLA-based driving systems. A case study on SimLingo illustrates how our approach can be used to construct rigorous, evidence-based safety claims for this emerging class of autonomous driving systems.
• Abstract（参考訳）: VLA(Vision-Language-Action)ベースの運転システムは、交通シーンの理解、言語解釈、行動生成を組み合わせることで、より柔軟で適応的で命令対応の運転行動を可能にするため、自律運転における重要なパラダイムシフトを表している。 しかしながら、高いレベルの人間の指示を理解しながら社会的に責任を負う自動運転を支援する可能性が高くなっているにもかかわらず、VLAベースの運転システムは新たな種類の危険行動を示す可能性がある。 例えば、自然言語入力(例えばユーザーやナビゲーションの指示)をマルチモーダル制御ループに追加すると、予測不能で安全でない振る舞いが生じ、乗務員や歩行者を危険に晒す恐れがある。 したがって、これらのシステムの安全性を保証することは、彼らの運用に対する信頼を構築するのに不可欠である。 これを支援するために,RAISEと呼ばれる新しい安全ケース設計手法を提案する。 提案手法では,VLAに基づく運転システムや,安全シナリオとその成果を詳述したハザード分析・リスクアセスメント(HARA)の拡張,VLAベースの運転システムの安全事例を作成するための設計手法を提案する。 SimLingoのケーススタディでは、この新種の自動運転システムに対して、厳格で証拠に基づく安全要件を構築するために、私たちのアプローチをどのように利用できるかを説明しています。

関連論文リスト

• 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)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• AdvDiffuser: Generating Adversarial Safety-Critical Driving Scenarios via Guided Diffusion [6.909801263560482]
  AdvDiffuserは、ガイド付き拡散を通じて安全クリティカルな運転シナリオを生成するための敵対的なフレームワークである。 本稿では,AdvDiffuserが最小限のウォームアップエピソードデータを持つ様々なテストシステムに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-11T02:03:21Z)
• Physical Backdoor Attack can Jeopardize Driving with Vision-Large-Language Models [53.701148276912406]
  Vision-Large-Language-models (VLMs) は自動運転において大きな応用可能性を持っている。 BadVLMDriverは、物理的オブジェクトを使用して実際に起動できる自動運転のためのVLMに対する最初のバックドア攻撃である。 BadVLMDriverは、赤い風船を持った歩行者に突如、加速を誘導する攻撃の成功率を92%達成する。
  論文  参考訳（メタデータ） (2024-04-19T14:40:38Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• Automatic Generation of Scenarios for System-level Simulation-based Verification of Autonomous Driving Systems [0.0]
  本稿では,AIコンポーネントを用いた自律システムのシステムレベルのシミュレーションに基づくV&Vフレームワークについて述べる。 このフレームワークは、システムの振る舞いを象徴的に記述する抽象モデルであるシステムのシミュレーションモデルに基づいている。 シナリオの自動生成をガイドするために、さまざまなカバレッジ基準を定義することができます。
  論文  参考訳（メタデータ） (2023-11-16T11:03:13Z)

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。