論文の概要: Learning A Unified Risk Map for Autonomous Driving in Partially Observable Environments

• arxiv url: http://arxiv.org/abs/2605.22189v1
• Date: Thu, 21 May 2026 08:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.176033
• Title: Learning A Unified Risk Map for Autonomous Driving in Partially Observable Environments
• Title（参考訳）: 部分観測可能な環境下での自律運転のための統合リスクマップの学習
• Authors: Jie Jia, Yaofeng Su, Zeyu Bao, Yun Hong, Bingzhao Gao, Zhongxue Gan, Wenchao Ding,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.293238760957722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Occlusion-aware prediction remains a critical challenge in autonomous driving due to the inherent uncertainty of unobserved regions. Existing approaches either overestimate risk based on reachable states or struggle to predict accurate trajectories under high occlusion uncertainty. To address these limitations, we propose a unified risk map modeling and learning framework for partially observable environments. Our method integrates traffic flow risk and collision risk through spatiotemporal modeling, enabling fine-grained assessment of occlusion-induced hazards. To address the scarcity of scenarios involving occluded interactions, we introduce a diffusion-based scenario generation framework that produces realistic yet adversarial scenarios. We integrate the modeling and learning of a unified risk map into a framework that supports risk-aware planning under partial observability. Experiments on the Waymo Open Motion Dataset show that our method significantly outperforms the state-of-the-art occlusion-aware baseline, improving minimum time-to-collision by 0.78 times and average time-to-collision by 1.67 times. The proposed framework offers a comprehensive and practical solution for risk-aware planning in partially observable environments.
• Abstract（参考訳）: 排他的認識予測は、未観測領域の固有の不確実性のため、自動運転において依然として重要な課題である。 既存のアプローチは、到達可能な状態に基づいてリスクを過大評価するか、高い閉塞不確実性の下で正確な軌道を予測するのに苦労する。 これらの制約に対処するため、我々は部分的に観測可能な環境のためのリスクマップモデリングと学習フレームワークを統一的に提案する。 本手法は交通流リスクと衝突リスクを時空間モデルにより統合し,閉塞性障害の詳細な評価を可能にする。 密接な相互作用を伴うシナリオの不足に対処するために,現実的かつ敵対的なシナリオを生成する拡散型シナリオ生成フレームワークを導入する。 我々は、統合されたリスクマップのモデリングと学習を、部分的な可観測性の下でリスク対応計画をサポートするフレームワークに統合する。 Waymo Open Motion Datasetの実験では、我々の手法は最先端のオクルージョン認識ベースラインを著しく上回り、最小の時間対衝突を0.78倍、平均の時間対衝突を1.67倍改善している。 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。

関連論文リスト

• Belief-Space Residual Risk for Automated Driving under Localization Uncertainty [0.0]
  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。
  論文  参考訳（メタデータ） (2026-05-12T20:16:52Z)
• 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-Aware World Model Predictive Control for Generalizable End-to-End Autonomous Driving [82.69496624372944]
  「専門家のように運転するのが普通」は限定的な一般化に苦しむ。 E2E-ADシステムは専門家の行動監督なしに信頼できる判断を下せるか? 本稿では,リスクを意識した世界モデル予測制御という統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T17:32:30Z)
• 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)
• RiskNet: Interaction-Aware Risk Forecasting for Autonomous Driving in Long-Tail Scenarios [6.024186631622774]
  RiskNetは自動運転車のリスク予測フレームワークである。 決定論的リスクモデリングと確率論的行動予測を統合し、包括的リスク評価を行う。 リアルタイムでシナリオ適応型のリスク予測をサポートし、不確実な運転環境全体にわたって強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-04-22T02:36:54Z)
• From Shadows to Safety: Occlusion Tracking and Risk Mitigation for Urban Autonomous Driving [1.8434042562191815]
  本研究は、リスク認識型モーションプランニングと閉塞追跡における既存のアプローチを構築し、拡張する。 我々は,隠蔽領域の追跡と潜在的な危険の予測にシーケンシャル推論を組み込むことにより,幻エージェント中心モデルを強化する。 シミュレーションにより,提案手法は状況認識を改善し,能動的安全と効率的な交通流とのバランスを図っている。
  論文  参考訳（メタデータ） (2025-04-02T06:48:50Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)

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。