論文の概要: Fusing Driver Perceived and Physical Risk for Safety Critical Scenario Screening in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2603.20232v1
• Date: Sat, 07 Mar 2026 13:24:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.921033
• Title: Fusing Driver Perceived and Physical Risk for Safety Critical Scenario Screening in Autonomous Driving
• Title（参考訳）: 自律運転における安全安全シナリオスクリーニングの実態と身体的リスク
• Authors: Chen Xiong, Ziwen Wang, Deqi Wang, Cheng Wang, Yiyang Chen, He Zhang, Chao Gou,
• Abstract要約: 本稿では,自動運転における運転リスク融合に基づく危険シナリオスクリーニング手法を提案する。 トレーニング中に、改良されたドライバリスクフィールドと動的コストモデルを組み合わせて、高品質なリスク監視信号を生成する。 推論中は、高速なフォワードパスを通じてシナリオレベルのリスクスコアを直接予測し、フレーム単位のリスク計算を避ける。
• 参考スコア（独自算出の注目度）: 20.663269212781426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving testing increasingly relies on mining safety critical scenarios from large scale naturalistic driving data, yet existing screening pipelines still depend on manual risk annotation and expensive frame by frame risk evaluation, resulting in low efficiency and weakly grounded risk quantification. To address this issue, we propose a driver risk fusion based hazardous scenario screening method for autonomous driving. During training, the method combines an improved Driver Risk Field with a dynamic cost model to generate high quality risk supervision signals, while during inference it directly predicts scenario level risk scores through fast forward passes, avoiding per frame risk computation and enabling efficient large scale ranking and retrieval. The improved Driver Risk Field introduces a new risk height function and a speed adaptive look ahead mechanism, and the dynamic cost model integrates kinetic energy, oriented bounding box constraints, and Gaussian kernel diffusion smoothing for more accurate interaction modeling. We further design a risk trajectory cross attention decoder to jointly decode risk and trajectories. Experiments on the INTERACTION and FLUID datasets show that the proposed method produces smoother and more discriminative risk estimates. On FLUID, it achieves an AUC of 0.792 and an AP of 0.825, outperforming PODAR by 9.1 percent and 5.1 percent, respectively, demonstrating its effectiveness for scalable risk labeling and hazardous scenario screening.
• Abstract（参考訳）: 自律運転試験は、大規模自然主義運転データからの採掘安全上の重要なシナリオにますます依存しているが、既存のスクリーニングパイプラインは、フレームリスク評価による手動リスクアノテーションと高価なフレームに依存しており、低効率と弱基底リスク定量化をもたらす。 この問題に対処するために,自動運転における運転リスク融合に基づく危険シナリオスクリーニング手法を提案する。 トレーニング中、改良されたドライバリスクフィールドと動的コストモデルを組み合わせることで、高品質なリスク監視信号を生成すると同時に、推論中に、高速なフォワードパスを通じてシナリオレベルのリスクスコアを直接予測し、フレーム単位のリスク計算を回避し、効率的な大規模ランキングと検索を可能にする。 改良されたドライバリスクフィールドは、新しいリスクハイト関数と速度適応的な前向きメカニズムを導入し、動的コストモデルは、より正確な相互作用モデリングのために、運動エネルギー、向き付けられたバウンディングボックス制約、ガウス核拡散平滑化を統合する。 さらにリスクとトラジェクトリを共同でデコードするために、リスクトラジェクトリクロスアテンションデコーダを設計する。 InterACTIONおよびFLUIDデータセットの実験により、提案手法はよりスムーズでより差別的なリスク推定を生成することが示された。 FLUIDでは、AUCが0.792、APが0.825で、PODARが9.1%、そして5.1%を上回り、スケーラブルなリスクラベリングと有害シナリオスクリーニングの有効性を示す。

関連論文リスト

• Constrained Language Model Policy Optimization via Risk-aware Stepwise Alignment [49.2305683068875]
  本稿では,リスク認識を政策最適化プロセスに組み込んだ新しいアライメント手法であるリスク対応ステップワイドアライメント(RSA)を提案する。 RSAは、過剰なモデルシフトによって引き起こされるリスクを基準方針から緩和し、低確率で高影響の有害な振る舞いを明示的に抑制する。 実験により, 本手法は高い安全性を確保しつつ, 高い安全性を達成できることが確認された。
  論文  参考訳（メタデータ） (2025-12-30T14:38:02Z)
• STRAP: Spatial-Temporal Risk-Attentive Vehicle Trajectory Prediction for Autonomous Driving [0.968535561940627]
  本稿では,リスクポテンシャル場を組み込んだ新しい空間的・時間的リスク回避軌道予測フレームワークを提案する。 提案するフレームワークは、解釈可能でリスク対応の予測を提供し、自律運転システムに対するより堅牢な意思決定に寄与する。
  論文  参考訳（メタデータ） (2025-07-11T13:05:35Z)
• Learning Risk-Aware Quadrupedal Locomotion using Distributional Reinforcement Learning [12.156082576280955]
  危険環境への展開には、ロボットが事故を防ぐための行動や動きに関連するリスクを理解する必要がある。 本稿では,分散強化学習を用いたリスクセンシティブな移動訓練手法を提案する。 シミュレーションおよび四足歩行ロボットANYmalにおいて,突発的リスクに敏感な移動行動を示す。
  論文  参考訳（メタデータ） (2023-09-25T16:05:32Z)
• 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)
• 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)

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。