論文の概要: MC-Risk: Multi-Component Risk Fields for Risk Identification and Motion Planning
- arxiv url: http://arxiv.org/abs/2605.21406v1
- Date: Wed, 20 May 2026 17:04:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.799663
- Title: MC-Risk: Multi-Component Risk Fields for Risk Identification and Motion Planning
- Title（参考訳）: MC-Risk:リスク同定と運動計画のための多要素リスクフィールド
- Authors: Maximilian Link, Yingjie Xu, Yingbai Hu, Yinlong Liu,
- Abstract要約: 本稿では,鳥眼ビューグリッド上の多成分リスクフィールドであるMC-Riskについて述べる。
MC-Riskは3つの解釈可能なモジュールを線形に構成する: (i) ブラックボックスマルチモーダル軌道予測器を融合する電動化エージェント場; (ii) 異方性歩行者のブロブを前方バイアスの異方性カーネルに置き換えるVRUリスク場。
我々は、我々の知る限り、リスクベンチの衝突部分集合におけるリスクフィールドの定式化の最初の標準化された定量的評価を行う。
- 参考スコア（独自算出の注目度）: 12.961906360703901
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present MC-Risk, a planner-aligned, multi-component risk field on a bird's-eye-view grid that yields early, calibrated, and class-aware risk localization. MC-Risk linearly composes three interpretable modules: (i) a motorized-agent field that fuses a black-box multimodal trajectory predictor with an analytic Gaussian-torus construction whose lateral width grows with speed/curvature and whose height attenuates with look-ahead; (ii) a VRU risk field that replaces isotropic pedestrian blobs with a forward-biased anisotropic kernel aligned to heading and speed; and (iii) a road penalty field that exploits full HD-map topology, imposing an off-road penalty and lane-aware risk exposure for same/opposite directions. We conduct, to our knowledge, the first standardized quantitative evaluation of a risk-field formulation on RiskBench's collision subset. MC-Risk attains the best overall risk localization and the earliest hazard indication. Finally, we demonstrate a plug-and-play planning interface by using the field as an MPC cost density, enabling risk-aware trajectory generation without additional training.
- Abstract（参考訳）: 本稿では, 初期, 校正, クラス認識型リスクローカライゼーションを行う鳥眼ビューグリッド上に, 多成分リスクフィールドであるMC-Riskを提案する。
MC-Risk は3つの解釈可能な加群を線型に構成する。
一 スピード/曲率で横幅が成長し、かつ、見栄えで高さが減衰する分析ガウストーラス構造でブラックボックス多モード軌道予測器を融合させる電動化エージェント場
(二)方向と速度に整合した前方バイアスのある異方性カーネルに異方性歩行者群を置き換えるVRUリスクフィールド
三 完全なHDマップトポロジを利用して、オフロードペナルティを課し、同じ/反対方向の車線危険にさらされる道路ペナルティ分野。
我々は、我々の知る限り、リスクベンチの衝突部分集合におけるリスクフィールドの定式化の最初の標準化された定量的評価を行う。
MC-Riskは、最高の全体的なリスクローカライゼーションと最初期のハザード指標を達成している。
最後に、フィールドをMPCコスト密度として使用し、追加のトレーニングなしでリスク認識軌道生成を可能にすることにより、プラグアンドプレイ計画インタフェースを実証する。
関連論文リスト
- Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
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。
論文 参考訳（メタデータ） (2026-05-07T13:38:18Z) - Risk-Controllable Multi-View Diffusion for Driving Scenario Generation [25.426382365795444]
長期の危険状況は現実世界のデータではほとんど見られず、手動のシナリオ設計では特定が困難である。
RiskMV-DPOは、物理的にインフォームドされ、リスク制御可能なマルチビューシナリオ生成のための汎用的で体系的なパイプラインである。
実験により、リスクMV-DPOは、最先端の視覚的品質を維持しながら、多様なロングテールシナリオを自由に生成できることが示されている。
論文 参考訳（メタデータ） (2026-03-12T04:44:12Z) - Fusing Driver Perceived and Physical Risk for Safety Critical Scenario Screening in Autonomous Driving [20.663269212781426]
本稿では,自動運転における運転リスク融合に基づく危険シナリオスクリーニング手法を提案する。
トレーニング中に、改良されたドライバリスクフィールドと動的コストモデルを組み合わせて、高品質なリスク監視信号を生成する。
推論中は、高速なフォワードパスを通じてシナリオレベルのリスクスコアを直接予測し、フレーム単位のリスク計算を避ける。
論文 参考訳（メタデータ） (2026-03-07T13:24:23Z) - Risk-Aware Obstacle Avoidance Algorithm for Real-Time Applications [0.6299766708197881]
本研究は,車両経路に沿った障害物の確率論的モデリングと,自律表面容器のスムーズな軌道最適化を統合したハイブリッド型リスク対応ナビゲーションアーキテクチャを提案する。
提案手法は、運転安全性と自律性の向上を示し、不確実かつダイナミックな環境下でのリスク対応型自動運転車のミッションのための有望なソリューションとして確立する。
論文 参考訳（メタデータ） (2026-02-09T21:15:33Z) - 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) - 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) - Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。
データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。
特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。
迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
論文 参考訳（メタデータ） (2022-05-10T19:40:52Z) - Ultra-Reliable Indoor Millimeter Wave Communications using Multiple
Artificial Intelligence-Powered Intelligent Surfaces [115.85072043481414]
複数人工知能(AI)対応再構成可能なインテリジェントサーフェス(RIS)を用いた超信頼性ミリ波(mmW)通信を保証する新しいフレームワークを提案する。
複数のAI駆動RISを使用することで、mmWアクセスポイント(AP)から送信される信号の伝搬方向を変更できます。
mmW APとRISのポリシーを制御するために、2つの集中型および分散コントローラが提案されている。
論文 参考訳（メタデータ） (2021-03-31T19:15:49Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。