論文の概要: Disengagement Analysis and Field Tests of a Prototypical Open-Source Level 4 Autonomous Driving System

• arxiv url: http://arxiv.org/abs/2603.21926v1
• Date: Mon, 23 Mar 2026 12:47:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.673307
• Title: Disengagement Analysis and Field Tests of a Prototypical Open-Source Level 4 Autonomous Driving System
• Title（参考訳）: 原型オープンソースレベル4自律運転システムの解離解析とフィールドテスト
• Authors: Marvin Seegert, Christian Oefinger, Korbinian Moller, Christoph Bank, Johannes Betz,
• Abstract要約: 本研究では,236kmの混在トラフィックに対して,Autowareベースのソフトウェアスタックを運用する研究車両の評価を行った。 新たな5レベル臨界フレームワークを用いて,26車種にわたる30の解離を分類することにより,空間的解離率0.1271/kmを観察した。
• 参考スコア（独自算出の注目度）: 1.476159132595762
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Proprietary Autonomous Driving Systems are typically evaluated through disengagements, unplanned manual interventions to alter vehicle behavior, as annually reported by the California Department of Motor Vehicles. However, the real-world capabilities of prototypical open-source Level 4 vehicles over substantial distances remain largely unexplored. This study evaluates a research vehicle running an Autoware-based software stack across 236 km of mixed traffic. By classifying 30 disengagements across 26 rides with a novel five-level criticality framework, we observed a spatial disengagement rate of 0.127 1/km. Interventions predominantly occurred at lower speeds near static objects and traffic lights. Perception and Planning failures accounted for 40% and 26.7% of disengagements, respectively, largely due to object-tracking losses and operational deadlocks caused by parked vehicles. Frequent, unnecessary interventions highlighted a lack of trust on the part of the safety driver. These results show that while open-source software enables extensive operations, disengagement analysis is vital for uncovering robustness issues missed by standard metrics.
• Abstract（参考訳）: カリフォルニア州自動車局(California Department of Motor Vehicles)が毎年報告しているように、プロプライエタリな自律運転システムは、通常、車両の挙動を変えるために計画されていない手動の介入によって評価される。 しかし、プロトタイプなオープンソースレベル4車の現実の能力は、かなりの距離で探索されていない。 本研究では,236kmの混在トラフィックに対して,Autowareベースのソフトウェアスタックを運用する研究車両の評価を行った。 新たな5レベル臨界フレームワークを用いて,26車種にわたる30の解離を分類することにより,空間的解離率0.1271/kmを観察した。 インターベンションは主に静的物体や信号機の近くで低い速度で発生した。 知覚障害と計画障害はそれぞれ40%と26.7%を占め、主に駐車中の車両による物体追跡損失と運用上のデッドロックが原因だった。 しばしば不必要な介入は、安全ドライバーに対する信頼の欠如を浮き彫りにした。 これらの結果は,オープンソースソフトウェアが広範な操作を可能にする一方で,標準メトリクスが欠落するロバスト性問題を明らかにする上では,解離解析が不可欠であることを示唆している。

関連論文リスト

• Measuring Braking Behavior Using Vehicle Tracking and Camera-to-Satellite Homography Rectification [4.61803711540329]
  本稿では,信号化都市高速道路における車両の挙動とブレーキイベントに着目し,交通カメラ映像を解析するためのオープンソースソフトウェアアプリケーションを提案する。 中心となるイノベーションは、固定されたトラフィックカメラビューと衛星の直視を結びつける、堅牢な地上面のホモグラフィー推定である。 すべての検出およびトラジェクトリデータは、その後の分析のためにClickHouseデータベースに格納される。
  論文  参考訳（メタデータ） (2026-01-24T18:59:32Z)
• Misbehavior Forecasting for Focused Autonomous Driving Systems Testing [2.7733556309376692]
  既存のバグフィニング技術は信頼性が低いか高価なかのどちらかだ。 本稿では,誤動作予測器を用いて近距離ミスを識別する手法であるForeseeを提案する。 フォアシーは、これまで未知の障害に遭遇した候補者の近辺で、局所的なファジッシングを行う。
  論文  参考訳（メタデータ） (2025-12-21T17:17:49Z)
• Multi-Agent Coordination in Autonomous Vehicle Routing: A Simulation-Based Study of Communication, Memory, and Routing Loops [0.5801044612920815]
  OMM(Object Memory Management)は,エージェントが障害に関する知識を保持し,共有するための軽量なメカニズムである。 OMM はブロックノードの分散ブラックリストを維持することで動作し、各エージェントは Dijkstra ベースのパス再計算を行う。 以上の結果から,OMMによる調整は,メモリレスシステムと比較して平均走行時間を75.7%削減し,待ち時間を88%短縮することがわかった。
  論文  参考訳（メタデータ） (2025-11-20T17:42:49Z)
• The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
  2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。 今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。 競争は15の最高パフォーマンスのソリューションで頂点に達した。
  論文  参考訳（メタデータ） (2024-05-14T17:59:57Z)
• ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure Events [1.84926694477846]
  本稿では、まず、オフライン軌道を用いて、既存の自動運転車の挙動を分析するブラックボックステストフレームワークを提案する。 実験の結果,車両衝突,道路物体衝突,歩行者衝突,オフロードステアリング事故の発生率は35,23,48,50%増加した。
  論文  参考訳（メタデータ） (2023-08-28T13:09:00Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• Unified Automatic Control of Vehicular Systems with Reinforcement Learning [64.63619662693068]
  本稿では,車載マイクロシミュレーションの合理化手法について述べる。 最小限の手動設計で高性能な制御戦略を発見する。 この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
  論文  参考訳（メタデータ） (2022-07-30T16:23:45Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)

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。