論文の概要: Safety-Aligned 3D Object Detection: Single-Vehicle, Cooperative, and End-to-End Perspectives

• arxiv url: http://arxiv.org/abs/2604.03325v1
• Date: Thu, 02 Apr 2026 21:18:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.51283
• Title: Safety-Aligned 3D Object Detection: Single-Vehicle, Cooperative, and End-to-End Perspectives
• Title（参考訳）: 安全に配慮した3次元物体検出:単車、協調、エンドツーエンドの視点
• Authors: Brian Hsuan-Cheng Liao, Chih-Hong Cheng, Hasan Esen, Alois Knoll,
• Abstract要約: コネクテッド・自動運転車(CAV)における知覚の役割 標準のトレーニング目標と評価ベンチマークは、サブセットのみが安全クリティカルであるにもかかわらず、すべての認識エラーを平等に扱う。 本稿では,高インパクト誤差を明示的に特徴付ける3次元物体検出の安全性と最適化について検討する。
• 参考スコア（独自算出の注目度）: 30.026860273054975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perception plays a central role in connected and autonomous vehicles (CAVs), underpinning not only conventional modular driving stacks, but also cooperative perception systems and recent end-to-end driving models. While deep learning has greatly improved perception performance, its statistical nature makes perfect predictions difficult to attain. Meanwhile, standard training objectives and evaluation benchmarks treat all perception errors equally, even though only a subset is safety-critical. In this paper, we investigate safety-aligned evaluation and optimization for 3D object detection that explicitly characterize high-impact errors. Building on our previously proposed safety-oriented metric, NDS-USC, and safety-aware loss function, EC-IoU, we make three contributions. First, we present an expanded study of single-vehicle 3D object detection models across diverse neural network architectures and sensing modalities, showing that gains under standard metrics such as mAP and NDS may not translate to safety-oriented criteria represented by NDS-USC. With EC-IoU, we reaffirm the benefit of safety-aware fine-tuning for improving safety-critical detection performance. Second, we conduct an ego-centric, safety-oriented evaluation of AV-infrastructure cooperative object detection models, underscoring its superiority over vehicle-only models and demonstrating a safety impact analysis that illustrates the potential contribution of cooperative models to "Vision Zero." Third, we integrate EC-IoU into SparseDrive and show that safety-aware perception hardening can reduce collision rate by nearly 30% and improve system-level safety directly in an end-to-end perception-to-planning framework. Overall, our results indicate that safety-aligned perception evaluation and optimization offer a practical path toward enhancing CAV safety across single-vehicle, cooperative, and end-to-end autonomy settings.
• Abstract（参考訳）: 知覚はコネクテッド・自動運転車(CAV)において中心的な役割を担い、従来のモジュラー駆動スタックだけでなく、協調認識システムや最近のエンドツーエンド駆動モデルにも根ざしている。 ディープラーニングは認識性能を大幅に向上させたが、その統計的性質は完全な予測を達成し難いものにしている。 一方、標準トレーニング目標と評価ベンチマークは、サブセットのみが安全クリティカルであるにもかかわらず、すべての知覚エラーを平等に扱う。 本稿では,高インパクト誤差を明示的に特徴付ける3次元物体検出の安全性と最適化について検討する。 これまでに提案した安全指向度基準であるNDS-USCと安全意識損失関数EC-IoUに基づいて,3つのコントリビューションを行った。 まず,多種多様なニューラルネットワークアーキテクチャをまたいだ単一車両の3次元物体検出モデルとセンサのモダリティについて検討し,mAPやNDSなどの標準指標によるゲインが,NDS-USCで表される安全指向の基準に変換されないことを示す。 我々は,EC-IoUを用いて,安全に配慮した微調整による安全クリティカル検出性能の向上のメリットを再確認する。 第2に、車両のみのモデルよりも優越性を強調し、協調モデルが「視覚ゼロ」に寄与する可能性を示す安全影響分析を行ない、エゴ中心で安全性を重視したAV-infrastructureコラボレーティブオブジェクト検出モデルの評価を行う。 第3に、EC-IoUをSparseDriveに統合し、安全を意識した認識硬化が衝突率を30%近く削減し、エンドツーエンドの知覚計画フレームワークでシステムレベルの安全性を直接改善できることを示す。 以上の結果から, 安全に配慮した認識評価と最適化が, 単車車, 協調車, エンド・ツー・エンドの自律環境におけるCAVの安全性を高めるための実践的な道筋であることが示唆された。

関連論文リスト

• EPSM: A Novel Metric to Evaluate the Safety of Environmental Perception in Autonomous Driving [0.5314069314483559]
  認識システムの全体的な性能だけでなく,安全性も評価することが重要である。 本稿では,最も重要な知覚課題,物体,車線検出を共同評価するための新しい安全基準を提案する。 提案フレームワークは,オブジェクト検出エラーに伴う潜在的なリスクを定量化する,新しい軽量なオブジェクト安全性指標を統合する。
  論文  参考訳（メタデータ） (2025-12-17T08:46:49Z)
• Think-Reflect-Revise: A Policy-Guided Reflective Framework for Safety Alignment in Large Vision Language Models [58.17589701432514]
  Think-Reflect-Revise (TRR)は、LVLM(Large Vision Language Models)の安全性向上を目的としたトレーニングフレームワークである。 まず、リフレクティブセーフティ推論(ReSafe)データセットを5000の例で構築し、シンク・リフレクティブ・リフレクティブ・プロセスに従っています。 次に、ReSafeデータセットを用いてターゲットモデルを微調整し、反射行動の初期化を行い、最後に強化学習を通じてポリシー誘導反射を強化する。
  論文  参考訳（メタデータ） (2025-12-08T03:46:03Z)
• What Makes and Breaks Safety Fine-tuning? A Mechanistic Study [64.9691741899956]
  安全性の微調整は、大規模な言語モデル(LLM)を、安全なデプロイメントのための人間の好みに合わせるのに役立つ。 安全でない入力の健全な側面をキャプチャする合成データ生成フレームワークを設計する。 これを用いて,3つのよく知られた安全微調整手法について検討する。
  論文  参考訳（メタデータ） (2024-07-14T16:12:57Z)
• Towards Stable 3D Object Detection [64.49059005467817]
  安定度指数(SI)は3次元検出器の安定性を信頼度、ボックスの定位、範囲、方向で総合的に評価できる新しい指標である。 モデルの安定性向上を支援するため,予測一貫性学習(PCL)と呼ばれる,汎用的で効果的なトレーニング戦略を導入する。 PCLは本質的に、異なるタイムスタンプと拡張の下で同じオブジェクトの予測一貫性を促進し、検出安定性を向上させる。
  論文  参考訳（メタデータ） (2024-07-05T07:17:58Z)
• EC-IoU: Orienting Safety for Object Detectors via Ego-Centric Intersection-over-Union [7.355977594790584]
  Ego-Centric Intersection-over-Union (EC-IoU) は、標準IoU尺度の制限に対処する。 我々は,IoUを改良する重み付け機構を提案する。これにより,エゴエージェントの観点からの接地トラス物体の近点をカバーする予測値に高いスコアを割り当てることができる。 提案したEC-IoU測度は、典型的な評価プロセスにおいて、下流タスクの安全関連性能を向上した対象検出器の選択に利用できる。
  論文  参考訳（メタデータ） (2024-03-20T16:25:49Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• USC: Uncompromising Spatial Constraints for Safety-Oriented 3D Object Detectors in Autonomous Driving [7.355977594790584]
  自律運転における3次元物体検出器の安全性指向性能について考察する。 本稿では,単純だが重要な局所化要件を特徴付ける空間的制約 (USC) について述べる。 既存のモデルに対する安全性指向の微調整を可能にするために,定量的な測定値を共通損失関数に組み込む。
  論文  参考訳（メタデータ） (2022-09-21T14:03:08Z)
• Neural Network Repair with Reachability Analysis [10.384532888747993]
  安全は次世代の自律性にとって重要な問題であり、知覚と制御のためにディープニューラルネットワークに大きく依存する可能性が高い。 本研究は,安全クリティカルシステムにおける安全でないDNNを到達可能性解析で修復する枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:56:51Z)

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。