論文の概要: Driving risk emerges from the required two-dimensional joint evasive acceleration

• arxiv url: http://arxiv.org/abs/2604.17841v1
• Date: Mon, 20 Apr 2026 05:51:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.717456
• Title: Driving risk emerges from the required two-dimensional joint evasive acceleration
• Title（参考訳）: 必要な2次元関節回避加速度から運転リスクが出現する
• Authors: Hao Cheng, Yanbo Jiang, Wenhao Yu, Rui Zhou, Jiang Bian, Keyu Chen, Zhiyuan Liu, Heye Huang, Hailun Zhang, Fang Zhang, Jianqiang Wang, Sifa Zheng,
• Abstract要約: 回避加速(EA)はリスク定量化のための2次元パラダイムである。 EAはすべてのしきい値に対して最も統計学的に重要な警告を提供する。 EAは衝突リスクの構造をよりよく捉え、次世代の自動運転システムの基礎を提供する。
• 参考スコア（独自算出の注目度）: 38.96143594997874
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Most autonomous driving safety benchmarks use time-to-collision (TTC) to assess risk and guide safe behaviour. However, TTC-based methods treat risk as a one-dimensional closing problem, despite the inherently two-dimensional nature of collision avoidance, and therefore cannot faithfully capture risk or its evolution over time. Here, we report evasive acceleration (EA), a hyperparameter-free and physically interpretable two-dimensional paradigm for risk quantification. By evaluating all possible directions of collision avoidance, EA defines risk as the minimum magnitude of a constant relative acceleration vector required to alter the relative motion and make the interaction collision-free. Using interaction data from five open datasets and more than 600 real crashes, we derive percentile-based warning thresholds and show that EA provides the earliest statistically significant warning across all thresholds. Moreover, EA provides the best discrimination of eventual collision outcomes and improves information retention by 54.2-241.4% over all compared baselines. Adding EA to existing methods yields 17.5-95.5 times more information gain than adding existing methods to EA, indicating that EA captures much of the outcome-relevant information in existing methods while contributing substantial additional nonredundant information. Overall, EA better captures the structure of collision risk and provides a foundation for next-generation autonomous driving systems.
• Abstract（参考訳）: ほとんどの自律運転安全ベンチマークは、リスクを評価し、安全な行動を導くためにTTC(Time-to-collision)を使用している。 しかし、TTCベースの手法は、衝突回避の本質的に2次元の性質にもかかわらず、リスクを1次元閉鎖問題として扱うため、時間とともにリスクやその進化を忠実に捉えることはできない。 本稿では,リスク定量化のための超パラメータフリーで物理的に解釈可能な2次元パラダイムである回避加速度(EA)について報告する。 衝突回避の可能な全ての方向を評価することにより、EAは衝突回避を相対運動を変化させ、衝突を無にするために必要な一定の相対加速度ベクトルの最小等級として定義する。 5つのオープンデータセットと600以上の実際のクラッシュからのインタラクションデータを使用することで、パーセンタイルベースの警告しきい値が導出され、EAがすべてのしきい値に対して最も早く統計的に重要な警告を提供することを示す。 さらに、EAは最終的な衝突結果の最良の識別を提供し、情報保持率を比較ベースライン全てに対して54.2-241.4%向上させる。 既存のメソッドにEAを追加すると、EAに既存のメソッドを追加するよりも17.5-95.5倍の情報が得られる。 全体として、EAは衝突リスクの構造をよりよく捉え、次世代の自動運転システムの基礎を提供する。

関連論文リスト

• CRASH: Cognitive Reasoning Agent for Safety Hazards in Autonomous Driving [0.3823356975862005]
  本研究は、NHTSAデータベースで報告された現実世界のAVインシデントを調べる。 我々は、標準化されたフィールドと非構造化の物語記述の両方を活用することで、クラッシュレポートの推論を自動化するエージェントであるCRASHを紹介する。 以上の結果から,CRASHは事故の64%が認識障害や計画失敗によるものと考えられた。 さらに5つのドメインエキスパートでCRASHを検証することで,AVシステム障害の原因となる精度を86%向上する。
  論文  参考訳（メタデータ） (2026-03-16T14:39:33Z)
• Sparse Threats, Focused Defense: Criticality-Aware Robust Reinforcement Learning for Safe Autonomous Driving [11.62520853262219]
  本稿では、自律運転におけるスパースかつ安全クリティカルなリスクに対処するために、臨界対応ロバストRL(CARRL)を導入する。 CARRLは2つの相互作用成分からなる: リスク露光敵 (REA) とリスクターゲット型ロバストエージェント (RTRA) である。 提案手法は,最先端のベースライン法と比較して,全症例で少なくとも22.66%の衝突率を減少させることを示す。
  論文  参考訳（メタデータ） (2026-01-05T05:20:16Z)
• Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
  我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。 安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。 複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
  論文  参考訳（メタデータ） (2025-08-17T23:46:36Z)
• Learning collision risk proactively from naturalistic driving data at scale [3.1457219084519004]
  本研究は一般サロゲート安全対策(GSSM)を紹介する。 GSSMは、クラッシュやリスクラベルを必要とせずに、自然主義的な運転から衝突リスクを学習する。 複数のGSSMを訓練するためには、運動キネマティクス、天気、照明など、自然運動からのさまざまなデータを使用する。 即時運動キネマティクスのみを用いた基本的なGSSMは、精度-リコール曲線0.9の領域を達成し、衝突を避けるために2.6秒の中央値の時間を確保できる。
  論文  参考訳（メタデータ） (2025-05-19T07:22:32Z)
• 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)

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。