論文の概要: DriveSafer: End-to-End Autonomous Driving with Safety Guidance

• arxiv url: http://arxiv.org/abs/2605.16737v1
• Date: Sat, 16 May 2026 01:21:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.996351
• Title: DriveSafer: End-to-End Autonomous Driving with Safety Guidance
• Title（参考訳）: DriveSafer:安全誘導によるエンドツーエンドの自動運転
• Authors: Shounak Sural, Raj Rajkumar,
• Abstract要約: DriveSaferは、エンド・ツー・エンドのプランナのためのフェール・アウェア・セーフティ・フレームワークである。 トレーニング時の安全制約と推論時の安全ガイダンスの両方を活用する安全行動に向けて、プランナーを指導する。 破滅的な障害の数を48%減らし、乾燥可能な領域のコンプライアンス障害の65%以上を減らした。
• 参考スコア（独自算出の注目度）: 0.42970700836450476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-to-End (E2E) autonomous driving models have shown growing capability in recent years, with performance improving on increasingly challenging benchmarks. However, modern generative E2E planners still suffer from a substantial number of catastrophic failures in safety-critical scenarios. We find that many such failures arise from violations of physical constraints and safety requirements, leading to unsafe behavior. Motivated by this finding, in this paper, we focus on improving safety outcomes in generative end-to-end driving with a targeted reduction of catastrophic planning failures, instead of enhancing average planning quality. Towards this end, we propose DriveSafer, a failure-aware safety framework for end-to-end planners. DriveSafer explicitly steers generative planners towards safe behaviors leveraging both training-time safety constraints and inference-time safety guidance. Compared to the state-of-the-art DiffusionDrive model, on the NAVSIM benchmark, DriveSafer reduces the number of catastrophic failures (PDMS=0) by 48%, with over 65% reduction in drivable-area compliance failures.
• Abstract（参考訳）: E2E(End-to-End)自律運転モデルは、近年、ますます困難なベンチマークでパフォーマンスが向上し、能力が向上している。 しかし、現代のE2Eプランナーは、安全クリティカルなシナリオでかなりの数の破滅的な失敗に悩まされている。 このような障害の多くは、物理的な制約や安全要件の違反によって発生し、安全でない振る舞いにつながります。 本研究の目的は, 平均計画品質を向上させるのではなく, 破滅的な計画失敗の低減を目標とし, 生成的エンドツーエンド運転における安全性の向上に焦点をあてることである。 この目的に向けて,我々は,エンドツーエンドプランナのための障害対応安全フレームワークであるDriveSaferを提案する。 DriveSaferは、トレーニング時の安全制約と推論時の安全ガイダンスの両方を活用する安全な行動に向けて、生成プランナーを明示的に操縦する。 NAVSIMベンチマークのDiffusionDriveモデルと比較すると、DriveSaferは破滅的な障害(PDMS=0)の数を48%削減し、ドライビング可能な領域コンプライアンス障害の65%以上を削減している。

関連論文リスト

• GuardAD: Safeguarding Autonomous Driving MLLMs via Markovian Safety Logic [51.85782253444399]
  MLLM(Multimodal large language model)は、自律運転システムに統合されつつある。 それらは、特に事故を起こしやすいシナリオにおいて、多様な安全上の脅威に弱いままである。 我々は,AD安全性を進化するマルコフ論理状態として定式化するモデル非依存型安全ガードであるGardadを提案する。
  論文  参考訳（メタデータ） (2026-05-11T11:28:03Z)
• OOD-MMSafe: Advancing MLLM Safety from Harmful Intent to Hidden Consequences [64.01706941950489]
  現在の安全パラダイムは、主に悪意のある意図や状況違反をターゲットとしている。 我々は,自律型および実施型エージェントのロバスト展開に不可欠なパラダイムである,結果駆動型安全に向けた安全フロンティアのシフトを提案する。 本稿では,トークンレベルの自己蒸留報酬の動的参照として,モデル固有の推論を統合したCASPO(Consequence-Aware Safety Policy Optimization)フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-03-10T14:16:43Z)
• SafeDrive: Fine-Grained Safety Reasoning for End-to-End Driving in a Sparse World [17.82170196923044]
  SafeDriveは、明示的で解釈可能な安全性推論を実行するように設計されたE2E計画フレームワークである。 オープンループベンチマークとクローズループベンチマークの両方で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-02-21T16:17:28Z)
• SUPER-AD: Semantic Uncertainty-aware Planning for End-to-End Robust Autonomous Driving [36.91878828972102]
  本稿では,BEV空間におけるアレータリック不確実性を直接推定し,それを計画に組み込む,カメラのみのE2Eフレームワークを提案する。 本手法は,画素レベルの解像度で意味構造と幾何学的レイアウトの両方をキャプチャする,密度の高い不確実性を考慮したドライバビリティマップを生成する。
  論文  参考訳（メタデータ） (2025-11-28T03:50:44Z)
• UpSafe$^\circ$C: Upcycling for Controllable Safety in Large Language Models [67.91151588917396]
  大規模言語モデル(LLM)は、幅広いタスクで顕著な進歩を遂げているが、有害なコンテンツ生成やジェイルブレイク攻撃といった安全リスクに弱いままである。 安全に配慮したリサイクルによるLCMの安全性向上のための統合フレームワークであるUpSafe$circ$Cを提案する。 この結果から, 静的アライメントから動的, モジュール, 推論対応制御への移行という, LLMの安全性の新たな方向性が明らかになった。
  論文  参考訳（メタデータ） (2025-10-02T16:43:33Z)
• 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)
• 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)
• SafeDrive: Knowledge- and Data-Driven Risk-Sensitive Decision-Making for Autonomous Vehicles with Large Language Models [14.790308656087316]
  SafeDriveは、自律運転の安全性と適応性を高めるための、知識とデータ駆動型リスクに敏感な意思決定フレームワークである。 知識駆動型洞察と適応学習機構を統合することにより、不確実な条件下での堅牢な意思決定を保証する。
  論文  参考訳（メタデータ） (2024-12-17T16:45:27Z)
• RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
  本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。 提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T23:32:36Z)
• Risk-Constrained Interactive Safety under Behavior Uncertainty for Autonomous Driving [0.0]
  許可された計画領域を制限する安全封筒は、行動の不確実性の存在下で解釈可能な安全性をもたらす。 人間は、安全封筒に違反する確率的リスクを受け入れることによって、密集した交通における安全と効率のバランスをとる。
  論文  参考訳（メタデータ） (2021-02-05T08:33:39Z)

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。