論文の概要: Belief-Space Residual Risk for Automated Driving under Localization Uncertainty

• arxiv url: http://arxiv.org/abs/2605.12710v1
• Date: Tue, 12 May 2026 20:16:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.66342
• Title: Belief-Space Residual Risk for Automated Driving under Localization Uncertainty
• Title（参考訳）: 位置不確実性下における自動走行の空間残差リスク
• Abstract要約: 自動走行システムの安全性への影響を評価するために、残留リスク指標が導入された。 この研究は、空間的残留リスクの定式化を、エゴがガウス分布として不確実性を示すことを明示的にモデル化することによって、信念空間に拡張する。 粒子に基づくリスク推定フレームワークでは、衝突確率の計算に局所化の不確実性が組み込まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Residual risk metrics have recently been introduced to assess the safety implications of automated driving systems. Existing approaches typically assume a deterministic ego pose and concentrate mainly on perception errors related to surrounding objects and latency effects. In practice, however, automated vehicles operate under considerable localization uncertainty, especially in complex urban settings and in adverse weather conditions. This work extends the spatial residual risk formulation to the belief space by explicitly modeling ego pose uncertainty as a Gaussian distribution. Residual risk is reformulated as the expected degradation-induced risk over the ego pose belief distribution. Within a particle-based risk estimation framework, localization uncertainty is incorporated into the computation of collision probabilities through covariance fusion of ego and object uncertainties.
• Abstract（参考訳）: 自動走行システムの安全性への影響を評価するための残留リスク指標が最近導入されている。 既存のアプローチは通常、決定論的エゴのポーズを仮定し、主に周囲の物体と遅延効果に関連する知覚誤差に焦点を当てる。 しかし、実際には、自動走行車は、特に複雑な都市環境や悪天候下において、相当な局地的不確実性の下で運用されている。 この研究は、空間的残留リスクの定式化を、エゴがガウス分布として不確実性を示すことを明示的にモデル化することによって、信念空間に拡張する。 残余リスクは、エゴが信念分布を示すことに対する劣化誘発リスクとして再編成される。 粒子に基づくリスク推定フレームワーク内では、衝突確率の計算には、エゴと物体の不確かさの共分散融合による局所化の不確実性が組み込まれている。

関連論文リスト

• Behavioural Signatures of Risk-Sensitive Decision-Making in Large Language Models [121.70781851874035]
  大規模言語モデル(LLM)は、意思決定支援にますます使われている。 不確実性の下での選択が安定かつ解釈可能な行動規則性を示すかどうかを理解することが重要である。 本稿では,無制限テキサスホールドエムに基づく制御型マルチモデルフレームワークを用いて,この問題について検討する。
  論文  参考訳（メタデータ） (2026-07-11T10:33:39Z)
• Learning A Unified Risk Map for Autonomous Driving in Partially Observable Environments [15.293238760957722]
  本研究では,部分的に観測可能な環境のための統合マップモデリングと学習フレームワークを提案する。 提案するフレームワークは,部分的に監視可能な環境下でのリスク対応計画に対して,包括的で実用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-05-21T08:56:38Z)
• Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
  部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。 安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-14T01:23:09Z)
• Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles [68.82821445619759]
  原理的不確実性定量化は 能動センシング戦略に不可欠です Evidential Deep Learningは、すべてのセンサ構成で最高の再構築精度と不確実性校正を実現する。 これらの知見は、リアルタイムの自動運転車配備における不確実性認識フィールド再構築の方法として、エビデンシャル・ディープ・ラーニングを支持している。
  論文  参考訳（メタデータ） (2026-04-07T19:17:44Z)
• Uncertainty-Aware Vision-based Risk Object Identification via Conformal Risk Tube Prediction [7.840136094141999]
  既存のアプローチは意思決定を行い、不確実性を無視します。 これらの課題にもかかわらず、現在の手法には、空間と時間にわたって共同でリスクの不確実性をモデル化する原則的な枠組みが欠如している。 本稿では, リスクの原則的不確実性を把握し, 真のリスクに対するカバレッジ保証を提供し, 不確実性を考慮した校正リスクスコアを生成するコンフォーマルリスク予測統一定式化を提案する。
  論文  参考訳（メタデータ） (2026-03-25T04:13:42Z)
• The Devil Behind Moltbook: Anthropic Safety is Always Vanishing in Self-Evolving AI Societies [57.387081435669835]
  大規模言語モデルから構築されたマルチエージェントシステムは、スケーラブルな集合知性と自己進化のための有望なパラダイムを提供する。 エージェント社会が継続的自己進化、完全隔離、安全性の不変性を満たすことは不可能であることを示す。 我々は、特定された安全上の懸念を軽減するために、いくつかの解決方法を提案する。
  論文  参考訳（メタデータ） (2026-02-10T15:18:19Z)
• Risk Estimation for Automated Driving [0.9376581451563295]
  自動運転では、リスクは2つの側面によって特徴づけられる。 不確実性は一般的に、衝突に近い事象の危険をゼロにする。 既存のアプローチでは、経験的モデリングや厳密な近似に頼ってリスクを計算する。 本稿では,衝突確率推定の最近の進歩と衝突重大度の概念を組み合わせて,正確なリスク推定のための一般的な手法を開発する。
  論文  参考訳（メタデータ） (2026-01-21T14:14:50Z)
• RADAR: A Risk-Aware Dynamic Multi-Agent Framework for LLM Safety Evaluation via Role-Specialized Collaboration [81.38705556267917]
  大規模言語モデル(LLM)の既存の安全性評価手法は、固有の制約に悩まされている。 リスク概念空間を再構築する理論的枠組みを導入する。 マルチエージェント協調評価フレームワークRADARを提案する。
  論文  参考訳（メタデータ） (2025-09-28T09:35:32Z)
• STRAP: Spatial-Temporal Risk-Attentive Vehicle Trajectory Prediction for Autonomous Driving [0.968535561940627]
  本稿では,リスクポテンシャル場を組み込んだ新しい空間的・時間的リスク回避軌道予測フレームワークを提案する。 提案するフレームワークは、解釈可能でリスク対応の予測を提供し、自律運転システムに対するより堅牢な意思決定に寄与する。
  論文  参考訳（メタデータ） (2025-07-11T13:05:35Z)
• Risk Sensitive Model-Based Reinforcement Learning using Uncertainty Guided Planning [0.0]
  本稿では,モデルに基づく強化学習アルゴリズムでリスク感度を向上する。 本研究では,高分散状態予測をもたらす行動系列を解析する不確実性誘導型クロスエントロピー法計画を提案する。 実験では、エージェントが計画中の状態空間の不確実な領域を識別し、エージェントを高い信頼領域内に保持する行動をとる能力を示す。
  論文  参考訳（メタデータ） (2021-11-09T07:28:00Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。