論文の概要: AD4AD: Benchmarking Visual Anomaly Detection Models for Safer Autonomous Driving
- arxiv url: http://arxiv.org/abs/2604.15291v1
- Date: Thu, 16 Apr 2026 17:54:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:32.041513
- Title: AD4AD: Benchmarking Visual Anomaly Detection Models for Safer Autonomous Driving
- Title（参考訳）: AD4AD: 安全運転のための視覚異常検出モデルのベンチマーク
- Authors: Fabrizio Genilotti, Arianna Stropeni, Gionata Grotto, Francesco Borsatti, Manuel Barusco, Davide Dalle Pezze, Gian Antonio Susto,
- Abstract要約: 自動運転の失敗は、乗客、歩行者、その他の道路利用者の身体的リスクに直接変換される。
視覚異常検出(VAD)は、トレーニング中に存在しない異常物体の識別を可能にする。
VADモデルは、特定の領域にドライバーの注意を誘導するピクセルレベルの異常マップを生成する。
- 参考スコア（独自算出の注目度）: 10.121649137872298
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The reliability of a machine vision system for autonomous driving depends heavily on its training data distribution. When a vehicle encounters significantly different conditions, such as atypical obstacles, its perceptual capabilities can degrade substantially. Unlike many domains where errors carry limited consequences, failures in autonomous driving translate directly into physical risk for passengers, pedestrians, and other road users. To address this challenge, we explore Visual Anomaly Detection (VAD) as a solution. VAD enables the identification of anomalous objects not present during training, allowing the system to alert the driver when an unfamiliar situation is detected. Crucially, VAD models produce pixel-level anomaly maps that can guide driver attention to specific regions of concern without requiring any prior assumptions about the nature or form of the hazard. We benchmark eight state-of-the-art VAD methods on AnoVox, the largest synthetic dataset for anomaly detection in autonomous driving. In particular, we evaluate performance across four backbone architectures spanning from large networks to lightweight ones such as MobileNet and DeiT-Tiny. Our results demonstrate that VAD transfers effectively to road scenes. Notably, Tiny-Dinomaly achieves the best accuracy-efficiency trade-off for edge deployment, matching full-scale localization performance at a fraction of the memory cost. This study represents a concrete step toward safer, more responsible deployment of autonomous vehicles, ultimately improving protection for passengers, pedestrians, and all road users.
- Abstract（参考訳）: 自律運転のためのマシンビジョンシステムの信頼性は、そのトレーニングデータ分布に大きく依存する。
非定型的障害物など、車両が著しく異なる条件に遭遇した場合、その知覚能力は著しく低下する。
エラーが限られた結果をもたらす多くのドメインとは異なり、自律運転の失敗は乗客、歩行者、その他の道路利用者の身体的リスクに直接変換される。
この課題に対処するために、視覚異常検出(VAD)を解決策として検討する。
VADはトレーニング中に存在しない異常物体の識別を可能にし、不慣れな状況が検出された場合にシステムがドライバーに警告することを可能にする。
重要な点として、VADモデルは、危険の性質や形態に関する事前の仮定を必要とせずに、運転者の注意を特定の関心領域に導くことができるピクセルレベルの異常マップを生成する。
AnoVoxは自律運転における異常検出のための最大の合成データセットである。
特に,大規模ネットワークからMobileNetやDeiT-Tinyといった軽量ネットワークにまたがる4つのバックボーンアーキテクチャの性能評価を行った。
以上の結果から,VADは道路のシーンに効果的に移行することが示された。
特にTiny-Dinomalyは、エッジデプロイメントにおいて、メモリコストのごく一部でフルスケールのローカライゼーション性能に適合する、最高の精度と効率のトレードオフを実現している。
この研究は、より安全で責任のある自動運転車の配備に向けての具体的なステップを示し、最終的には乗客、歩行者、そして道路利用者の保護を改善した。
関連論文リスト
- The Blind Spot of Adaptation: Quantifying and Mitigating Forgetting in Fine-tuned Driving Models [19.946556797493155]
これにより、自動運転における破滅的な忘れを定量化するために特別に設計された最初のベンチマークが可能になる。
本稿では,重み空間からプロンプト空間へ適応させることにより,このトレードオフを回避する新しいフレームワークであるDrive Expert Adapter(DEA)を提案する。
DEAは、シーン固有の手がかりに基づいて異なる知識専門家を通して推論を動的にルーティングし、モデルの基本パラメータを損なうことなく、駆動タスクのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2026-04-06T17:02:06Z) - Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。
車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。
当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
論文 参考訳（メタデータ） (2025-07-01T09:20:41Z) - Lane-Wise Highway Anomaly Detection [8.086502588472783]
本稿では,車線道路交通異常検出のためのスケーラブルかつ解釈可能なフレームワークを提案する。
従来のセンサ依存の手法とは異なり、我々の手法はAIを利用した視覚モデルを用いて車線固有の特徴を抽出する。
我々のフレームワークは、精度、リコール、F1スコアにおいて最先端の手法より優れています。
論文 参考訳（メタデータ） (2025-05-05T12:32:23Z) - Minds on the Move: Decoding Trajectory Prediction in Autonomous Driving with Cognitive Insights [18.92479778025183]
運転シナリオでは、車両の軌道は人間の運転者の意思決定プロセスによって決定される。
従来のモデルは人間のドライバーの真の意図を捉えることができず、長期の軌道予測において最適以下の性能をもたらす。
ドライバーの意思決定メカニズムを解釈するために,認知的概念である知覚安全を取り入れた認知情報変換器(CITF)を導入する。
論文 参考訳（メタデータ） (2025-02-27T13:43:17Z) - Characterization and Mitigation of Insufficiencies in Automated Driving Systems [0.5842419815638352]
自動運転(AD)システムは安全性、快適性、エネルギー効率を高める可能性がある。
ADSの商業展開と広く採用は、部分的には乗客の安全を損なうシステム機能不全(FI)が道路の危険状況を引き起こしているため、穏健である。
本研究の目的は、FI緩和を改善し、ADSの商業展開を高速化するために、汎用的なアーキテクチャ設計パターンを定式化することである。
論文 参考訳（メタデータ） (2024-04-15T08:19:13Z) - Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。
データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - 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) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z)
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。