論文の概要: MORPH-U: Multi-Objective Resilient Motion Planning for V2X-Enabled Autonomous Driving in High-Uncertainty Environments via Simulation
- arxiv url: http://arxiv.org/abs/2605.07370v1
- Date: Fri, 08 May 2026 07:27:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.884834
- Title: MORPH-U: Multi-Objective Resilient Motion Planning for V2X-Enabled Autonomous Driving in High-Uncertainty Environments via Simulation
- Title（参考訳）: MORPH-U: シミュレーションによるV2X型自律走行のための多目的弾性運動計画
- Authors: Shih-Yu Lai,
- Abstract要約: 本稿では,不確実なイベント駆動更新に対して,動作計画と低レベル制御を堅牢にする方法について検討する。
本稿では,LiDAR/レーダー/カメラとV2X(CAM/DENM)を融合した閉ループスタックであるMORPH-Uをローカルダイナミックマップに提示する。
故障したV2Xトリガから安全でないリプランを避けるため、MORPH-Uはビザンチンにインスパイアされた軽量の受け入れゲートを追加した。
- 参考スコア（独自算出の注目度）: 0.9427635404752933
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: V2X can warn an autonomous vehicle about hazards beyond line-of-sight, but it also brings uncertainty: messages may be delayed, dropped, or even forged. Meanwhile, map knowledge may change during a trip, forcing the vehicle to replan under tight real-time budgets. This paper studies how to make motion planning and low-level control robust to such uncertain, event-driven updates. We present MORPH-U, a CARLA-based closed-loop stack that fuses LiDAR/radar/camera with V2X (CAM/DENM) into a Local Dynamic Map (LDM) and triggers Hybrid-A* replanning when validated hazards or map changes affect the planned route. We expose the planning/control trade-offs via a multi-objective formulation over tracking error, safety margin (minimum TTC), responsiveness, and smoothness, and select operating points using Pareto-frontier analysis. To avoid unsafe replanning from faulty V2X triggers, MORPH-U adds a lightweight Byzantine-inspired acceptance gate that combines a quorum rule with an on-board sensor veto. Experiments in dynamic CARLA scenarios show that V2X-augmented LDM improves downstream safety, Pareto tuning provides controllable accuracy-comfort trade-offs, and the gate prevents replanning under saturated false-DENM injection ($p_{\text{attack}}=1.0$).
- Abstract（参考訳）: V2Xは、自動運転車に視線を超えた危険について警告することもできますが、不確実性も生じます。
一方、地図の知識は旅行中に変化し、車両は厳格なリアルタイム予算の下で再設計を余儀なくされる。
本稿では,このような不確実なイベント駆動更新に対して,動作計画と低レベル制御を堅牢にする方法について検討する。
CARLAベースのクローズドループスタックであるMORPH-Uは、LiDAR/radar/cameraとV2X(CAM/DENM)を融合してローカルダイナミックマップ(LDM)を作成し、ハザードやマップ変更が計画されたルートに影響を与える場合にハイブリッドA*リプレーニングをトリガーする。
トラッキングエラー, 安全マージン(最小TTC), 応答性, 平滑性といった多目的的な定式化を通じて, 計画・制御トレードオフを公開し, パレートフロンティア分析を用いて操作点を選択する。
故障したV2Xトリガから安全でないリプランを避けるため、MORPH-Uは軽量のビザンチンにインスパイアされた受け入れゲートを追加し、クォーラムルールとオンボードセンサーのベトを組み合わせている。
動的CARLAシナリオの実験では、V2X拡張LDMは下流の安全性を改善し、Paretoチューニングは制御可能な精度・快適なトレードオフを提供し、ゲートは飽和偽DENMインジェクション(p_{\text{ attack}}=1.0$)によるリプランを防止している。
関連論文リスト
- Mosaic: An Extensible Framework for Composing Rule-Based and Learned Motion Planners [5.399177691034965]
学習プランナーは強い適応性を示すが、透明性の低下と時折の安全違反に悩まされる。
我々は、調停グラフを通じて両方のパラダイムを統合する構造化決定のためのフレームワークであるMosaicを紹介する。
実験的評価において、MosaicはVal14のクローズドループベンチマークで95.48 CLS-NRと93.98 CLS-Rを達成した。
論文 参考訳（メタデータ） (2026-04-15T13:23:47Z) - Bridging Large-Model Reasoning and Real-Time Control via Agentic Fast-Slow Planning [42.15812524999639]
Agentic Fast-Slow Planning(エージェント・ファスト・スロー・プランニング)は、知覚、推論、計画、そして自然の時間スケールをまたいだ制御を分離する階層的なフレームワークである。
エージェント高速スロープランニングは摂動下での堅牢性を向上し、純粋なMPCおよびA*誘導MPCベースラインと比較して、横方向偏差を最大45%減らし、完了時間を12%以上短縮することを示した。
論文 参考訳（メタデータ） (2026-04-02T06:34:29Z) - CorrectionPlanner: Self-Correction Planner with Reinforcement Learning in Autonomous Driving [55.88697462014118]
CorrectionPlannerは自己補正を備えた自動回帰プランナーである。
Waymaxでは衝突率を20%以上削減し、nuPlanでは最先端の計画スコアを達成している。
論文 参考訳（メタデータ） (2026-03-16T18:03:21Z) - Counterfactual VLA: Self-Reflective Vision-Language-Action Model with Adaptive Reasoning [71.19675094463834]
この作業では、モデルが実行前に計画されたアクションを推論し、修正することを可能にする、自己修正型のVLAフレームワークである、Counterfactual VLAを導入している。
CF-VLAはまず、駆動意図を要約した時間分割メタアクションを生成し、その後、メタアクションと視覚コンテキストの両方で条件付けられた反実的推論を実行する。
大規模運転データセットの実験では、CF-VLAは軌道精度を最大17.6%向上し、安全基準を20.5%向上し、適応的思考を示す。
論文 参考訳（メタデータ） (2025-12-30T19:04:17Z) - Attention in Motion: Secure Platooning via Transformer-based Misbehavior Detection [0.6999740786886536]
車両小隊は、多車編成の調整を通じて、輸送効率と安全性の変革的な改善を約束する。
確率チェックや統計的手法に依存する従来の誤動作検出手法は、偽陽性(FP)率が高い。
Intention In Motion (AIMformer) は、車体プラトンにおけるリアルタイムな誤動作検出に適したトランスフォーマーベースのフレームワークである。
論文 参考訳（メタデータ） (2025-12-17T14:45:33Z) - DeeAD: Dynamic Early Exit of Vision-Language Action for Efficient Autonomous Driving [20.235153433297384]
Vision-Language Action (VLA) は、認識、推論、軌道生成を自律運転に統一するが、深いトランスフォーマースタックによる大きな推論遅延に悩まされる。
トレーニング不要で行動誘導型早期退避型フレームワークであるDeeADについて,中間軌道の物理的実現可能性を評価することにより,VLA計画の高速化を図る。
Bench2Driveベンチマークの実験では、計画品質と安全性を保ちながら、28%のトランスフォーマー層幅と29%のレイテンシ削減が示されている。
論文 参考訳（メタデータ） (2025-11-25T07:00:26Z) - 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) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。
本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。
我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
論文 参考訳（メタデータ） (2025-05-09T20:28:17Z) - Motion Planning and Control for Multi Vehicle Autonomous Racing at High
Speeds [100.61456258283245]
本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。
提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
論文 参考訳（メタデータ） (2022-07-22T15:16:54Z) - Enhancing Lattice-based Motion Planning with Introspective Learning and
Reasoning [3.2689702143620143]
この研究は、イントロスペクティブな学習と、時間の経過とともにコントローラのパフォーマンスに関する推論に関するものである。
異なるアクションの通常のコントローラ実行は、信頼性と不確実性を認識した機械学習技術を用いて学習される。
推論は、学習したモデルが安全であることを検証し、モーションプランナーにおける衝突チェックの有効性を改善するために行われる。
論文 参考訳（メタデータ） (2020-05-15T07:16:51Z)
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。