論文の概要: Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations

• arxiv url: http://arxiv.org/abs/2605.18059v1
• Date: Mon, 18 May 2026 08:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.1964
• Title: Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations
• Title（参考訳）: Bench2Drive-Robust:デプロイ障害下でのクローズドループ自動運転のベンチマーク
• Authors: Zhiyuan Zhang, Zhenghao Jin, Yanlun Peng, Xianda Guo, Haoran Liu, Shaofeng Zhang, Xingjun Ma, Zuxuan Wu, Junchi Yan, Xiaosong Jia, Yu-Gang Jiang,
• Abstract要約: Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。 我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。 以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 122.22391796628408
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Robustness is a critical requirement for deploying autonomous driving systems in the real world. Existing robustness benchmarks for autonomous driving have made important progress in studying the effects of image-level corruptions, such as adverse weather or camera degradation, on perception modules and open-loop planning outputs. However, deployment can also involve system-level imperfections, such as inference latency and ego-state estimation errors, which remain less studied in closed-loop E2E-AD evaluation. These imperfections can accumulate through the feedback loop and destabilize control. In this work, we present Bench2Drive-Robust, to our knowledge the first device-centric robustness benchmark for closed-loop end-to-end autonomous driving under realistic deployment perturbations. We systematically evaluate deployment-oriented perturbations arising from three major sources: camera-stream failures (frame drop, partial observation), ego-state estimation errors (GPS noise, and speed or odometry errors), and compute-induced control delay (model inference delay). We evaluate representative end-to-end driving methods and analyze their robustness under different perturbation severities. Our results show that these deployment-related perturbations can substantially degrade closed-loop driving performance, revealing robustness challenges that are not fully captured by conventional image-level corruption evaluations. By establishing a closed-loop evaluation protocol and demonstrating the substantial impact of these deployment-oriented perturbations, Bench2Drive-Robust defines practical robustness problems for end-to-end autonomous driving and encourages further research on deployment-aware robust driving systems.
• Abstract（参考訳）: ロバストネスは、現実の世界で自律運転システムを展開するための重要な要件である。 既存の自動運転の堅牢性ベンチマークは、悪天候やカメラ劣化などの画像レベルの腐敗が知覚モジュールやオープンループ計画出力に与える影響を研究する上で重要な進歩を遂げている。 しかし、システムレベルの不完全性、例えば推論遅延やエゴ状態推定誤差は、クローズドループE2E-AD評価では研究されていない。 これらの欠陥はフィードバックループを通じて蓄積し、制御を不安定にする。 本研究では,現実的な展開摂動下でのクローズドループエンドツーエンド自動運転のためのデバイス中心の堅牢性ベンチマークとして,Bench2Drive-Robustを紹介する。 本研究では, カメラストリーム障害(フレームドロップ, 部分観察), エゴ状態推定誤差(GPSノイズ, 速度, オードメトリー誤差), 計算誘起制御遅延(モデル推論遅延)の3つの主要な原因から生じる展開指向の摂動を系統的に評価した。 代表駆動方式の評価を行い,その頑健さを異なる摂動重大度下で解析する。 以上の結果から,従来の画像レベルの汚損評価では得られないロバスト性課題が明らかとなり,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性があることがわかった。 Bench2Drive-Robustは、クローズドループ評価プロトコルを確立し、これらのデプロイメント指向の摂動の実質的な影響を示すことによって、エンドツーエンドの自動運転における実用的な堅牢性問題を定義し、デプロイメント対応の堅牢性駆動システムに関するさらなる研究を奨励している。

関連論文リスト

• RACF: A Resilient Autonomous Car Framework with Object Distance Correction [4.626261940793026]
  オブジェクト距離補正アルゴリズム(ODCA)を組み込んだRACF(Resilient Autonomous Car Framework)を提案する。 この枠組みでは、奥行きカメラによる障害物距離推定が不整合である場合には、クロスセンサゲートが補正アルゴリズムを起動して検出された不整合を修正する。 このフレームワークは、強い汚職の下で最大35%のRMSE削減を実現し、リアルタイムに運用しながら、コンプライアンスの停止とブレーキのレイテンシを改善した。
  論文  参考訳（メタデータ） (2026-04-14T08:06:09Z)
• Fixed-time control with prescribed performance for path following of underwater gliders [1.3149034455953847]
  本稿では,水中グライダーの3次元経路に対する所定時間性能制御方式を提案する。 主な貢献は、有限時間性能関数を固定時間制御フレームワークに統合することである。 2つ目の重要な貢献は、固定時間スライディングモード外乱オブザーバの開発である。
  論文  参考訳（メタデータ） (2025-12-23T20:11:25Z)
• Sequence of Expert: Boosting Imitation Planners for Autonomous Driving through Temporal Alternation [12.450883696383878]
  イミテーション・ラーニング (IL) は自動運転における中心的なパラダイムとして浮上している。 ILは、ステップごとの予測エラーを最小限にすることで、オープンループ設定で専門家の振る舞いにマッチする。 連続した計画サイクルでは、小さな、しばしば受け入れがたいエラーが複雑になり、深刻な失敗をもたらす可能性がある。 本稿では,モデルサイズやデータ要求を増大させることなくクローズドループ性能を向上させるために,エキスパートシーケンス(SoE)を提案する。
  論文  参考訳（メタデータ） (2025-12-15T08:50:23Z)
• ADPerf: Investigating and Testing Performance in Autonomous Driving Systems [7.10115369804893]
  本稿では,2つの産業レベルの自律運転システムにおける障害物検出モジュールの性能測定とモデル化に関する総合的研究について紹介する。 私たちはADPerfを紹介します。ADPerfは、検出遅延の増加を露呈できる、現実的なポイントクラウドデータテストケースを生成するツールです。 本評価では, 障害物検出部品, 特に3次元障害物検出部品の性能試験の必要性を強調した。
  論文  参考訳（メタデータ） (2025-10-15T01:45:59Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• DRIVE: Dependable Robust Interpretable Visionary Ensemble Framework in Autonomous Driving [1.4104119587524289]
  自動運転の最近の進歩は、エンド・ツー・エンドの学習パラダイムへのパラダイムシフトを経験している。 これらのモデルは、しばしば解釈可能性を犠牲にし、信頼、安全、規制の遵守に重大な課題を提起する。 我々は、エンドツーエンドの教師なし運転モデルにおける説明の信頼性と安定性を改善するために設計された総合的なフレームワークDRIVEを紹介する。
  論文  参考訳（メタデータ） (2024-09-16T14:40:47Z)
• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)

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。