論文の概要: Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2605.06264v1
• Date: Thu, 07 May 2026 13:38:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.854071
• Title: Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving
• Title（参考訳）: 属性予測はリスクを予測するか? エンドツーエンド自動運転における多視点属性から計画的リスク信号へ
• Authors: Le Yang, Ruoyu Chen, Haijun Liu, Jiawei Liang, ShangQuan Sun, Xiaochun Cao,
• Abstract要約: エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。 既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。 エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 51.726472686971896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-end autonomous driving models generate future trajectories from multi-view inputs, improving system integration but introducing opaque decisions and hard-to-localize risks. Existing methods either rely on auxiliary monitoring models or generate textual explanations, but are decoupled from the planning process and fail to reveal the visual evidence underlying trajectory generation. While attribution offers a direct alternative, planning differs from image classification by taking six-view camera images as input and predicting continuous multi-step trajectories, requiring attribution to capture both critical views and regions and their influence on outputs. Moreover, whether attribution maps can support risk identification remains underexplored. To address this, we propose a hierarchical attribution framework for end-to-end planning. Specifically, using L2 consistency with the original trajectory as the objective, we design a coarse-to-fine region attribution strategy that searches candidate regions across the full six-view input and refines attribution within them. We further extract three attribution statistics as predictive signals for planning risk, including attribution entropy to measure how concentrated the planner's reliance is over the joint visual space, within-camera spatial variance to characterize how spread out the attribution is within each view, and cross-camera Gini coefficient to quantify how unevenly attribution is distributed across the six cameras. Experiments on BridgeAD, UniAD, and GenAD show that these statistics correlate with planning risk, achieving Spearman correlations of $0.30 \pm 0.07$ with trajectory error and AUROC of $0.77 \pm 0.04$ for collision detection. The signal generalizes to held-out scenes with negligible degradation and remains stable under an alternative attribution baseline.
• Abstract（参考訳）: エンドツーエンドの自律運転モデルは、マルチビュー入力から将来の軌跡を生成し、システム統合を改善しながら、不透明な決定や、ローカル化の難しいリスクを導入します。 既存の手法は補助的なモニタリングモデルに依存するか、テキストによる説明を生成するかのいずれかであるが、計画プロセスから切り離され、軌道生成の根底にある視覚的証拠を明らかにすることができない。 アトリビューションは直接的な代替手段を提供するが、6視点カメライメージを入力とし、連続した多段階の軌跡を予測し、重要なビューと領域の両方をキャプチャし、出力への影響を捉えることによって、イメージ分類とは異なる計画を立てる。 さらに、属性マップがリスク識別をサポートするかどうかも未定のままである。 これを解決するために,エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。 具体的には、元の軌跡とL2の整合性を目的とし、全6ビュー入力の候補領域を探索し、その内部の帰属を洗練する粗い領域帰属戦略を設計する。 さらに、計画リスクの予測信号として、3つの属性統計を抽出し、6つのカメラにまたがる不均一な属性の分布を定量化するクロスカメラGini係数を抽出する。 BridgeAD、UniAD、GenADの実験では、これらの統計は計画上のリスクと相関しており、スピアマンの相関は0.30 \pm 0.07$で軌道誤差は0.77 \pm 0.04$で、AUROCは0.77 \pm 0.04$である。 信号は無視可能な劣化を伴う保留シーンに一般化し、代替の属性ベースラインの下で安定である。

関連論文リスト

• Multi-Agent Off-World Exploration for Sparse Evidence Discovery via Gaussian Belief Mapping and Dual-Domain Coverage [15.524614683513834]
  本稿では,ガウス的信念マッピングと二重領域カバレッジに基づくスパースエビデンス発見のためのマルチエージェント情報経路計画フレームワークを提案する。 シミュレーションした月面環境における実験結果から,提案手法は,異なる予算と通信範囲でサンプリングベースおよびグリーディベースラインを一貫して上回ることがわかった。
  論文  参考訳（メタデータ） (2026-03-08T14:27:41Z)
• LLM-Grounded Explainable AI for Supply Chain Risk Early Warning via Temporal Graph Attention Networks [0.5653106385738822]
  重要な物流ノードの破壊は、世界的なサプライチェーンに深刻なリスクをもたらす。 本稿では,ボトルネック予測と忠実な自然言語リスク説明を共同で行うエビデンス基盤フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-05T05:07:40Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• The Decoupled Risk Landscape in Performative Prediction [3.904855396113132]
  Performative Predictionは、モデルのデプロイが入力データの分散シフトを誘導するシナリオに対処する。 本稿では,2段階の予測プロセスにインスパイアされた,単純な疎結合型リスク可視化手法を提案する。 我々は,意思決定と異なるモデルに分布が反応するシナリオをキャプチャする,新しい設定,拡張パーフォーマティブ予測を導入する。
  論文  参考訳（メタデータ） (2025-06-10T17:58:39Z)
• An Out-Of-Distribution Membership Inference Attack Approach for Cross-Domain Graph Attacks [12.08908327186123]
  クロスドメイングラフ攻撃を実現するために,グラフOODメンバーシップ推論攻撃(GOOD-MIA)を提案する。 具体的には、実世界のデータの多様性をモデル化するために、異なる領域の分布を持つ影のサブグラフを構築する。 実験により、GOOD-MIAは複数のドメイン用に設計されたデータセットにおいて優れた攻撃性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-05-26T14:52:52Z)
• Urban Traffic Accident Risk Prediction Revisited: Regionality, Proximity, Similarity and Sparsity [18.566139471849844]
  交通事故は人間の健康と財産の安全に重大な危険をもたらす。 交通事故を防ぐために、リスクを予測することで関心が高まっている。 望ましい予測ソリューションは、交通事故の複雑さに対するレジリエンスを示すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2024-07-29T03:10:15Z)
• LoLep: Single-View View Synthesis with Locally-Learned Planes and Self-Attention Occlusion Inference [66.45326873274908]
  本稿では,1枚のRGB画像から局所学習平面を回帰してシーンを正確に表現するLoLepを提案する。 MINEと比較して、LPIPSは4.8%-9.0%、RVは73.9%-83.5%である。
  論文  参考訳（メタデータ） (2023-07-23T03:38:55Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• 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。