論文の概要: Can BEV Perception Gracefully Degrade under Sensor Failures?
- arxiv url: http://arxiv.org/abs/2605.30983v1
- Date: Fri, 29 May 2026 08:18:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.466946
- Title: Can BEV Perception Gracefully Degrade under Sensor Failures?
- Title（参考訳）: センサー故障時にBEVの知覚はグレースに劣化するか?
- Abstract要約: Grace-BEVはプラグイン・アンド・プレイのフレームワークで、マルチモーダル融合時にアクティブな信頼性の認識を強制する。
さまざまな汚職設定で堅牢なパフォーマンスを維持している。
正確さを最大1.4%向上させ、堅牢性と効率性の強いトレードオフを実現する。
- 参考スコア（独自算出の注目度）: 8.665369041430969
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the remarkable success of multi-modal bird's-eye view (BEV) perception in autonomous driving, current systems exhibit a critical vulnerability: existing fusion mechanisms are highly brittle to sensor corruptions, often causing catastrophic performance degradation. This vulnerability largely stems from the fact that standard fusion frameworks typically integrate multi-modal representations in a static manner, leading to a precipitous performance collapse under missing or corrupted modalities. In contrast, we show that graceful degradation is achievable through active modality reliability assessment. To this end, we present Grace-BEV, a lightweight and plug-and-play framework that enforces active reliability awareness during multi-modal fusion. Instead of relying on computationally expensive cross-modal interactions, Grace-BEV leverages the aligned BEV space to explicitly assess modality trustworthiness via a TrustGate Router and dynamically recalibrate feature integration using the FailSafe Fusion Block. Furthermore, we devise a Three-Phase Training strategy with Modality Dropout to prevent modality dominance and encourage balanced cross-modal learning under unreliable inputs. Extensive experiments on nuScenes-R and nuScenes-C show that Grace-BEV maintains robust performance across diverse corruption settings. Notably, under catastrophic LiDAR failures where standard baselines collapse to 0.0% mean Average Precision (mAP), Grace-BEV restores performance to as high as 34.7% mAP. Moreover, it improves clean accuracy by up to 1.4%, achieving a strong trade-off between robustness and efficiency.
- Abstract（参考訳）: 自律運転におけるBEV(Multi-modal Bird's-eye view)の認識の顕著な成功にもかかわらず、現在のシステムには重大な脆弱性がある。
この脆弱性は、標準のフュージョンフレームワークが一般的に静的な方法でマルチモーダル表現を統合することに由来する。
対照的に、能動的モダリティ信頼性評価により、優雅な劣化が達成可能であることを示す。
この目的のために,マルチモーダル融合時の能動的信頼性認識を実現する軽量・プラグアンドプレイフレームワークであるGrace-BEVを提案する。
Grace-BEVは計算コストのかかるクロスモーダルインタラクションに頼る代わりに、整列したBEV空間を活用して、TrustGate Routerを介してモダリティの信頼性を明確に評価し、FailSafe Fusion Blockを使って機能統合を動的に再調整する。
さらに、モダリティの優位性を防ぎ、信頼できない入力下でのバランスの取れたクロスモーダル学習を促進するために、モダリティ・ドロップアウトを用いた三相学習戦略を考案した。
nuScenes-R と nuScenes-C に関する大規模な実験は、Grace-BEV が様々な汚職設定で堅牢なパフォーマンスを維持していることを示している。
特に、標準ベースラインが0.0%に崩壊する破滅的なLiDARの故障では、平均精度(mAP)が低下し、グレース-BEVは最大34.7%まで性能を回復する。
さらに、鮮明な精度を最大1.4%向上させ、堅牢性と効率性の強いトレードオフを実現する。
関連論文リスト
- Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。
EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。
最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文 参考訳（メタデータ） (2026-04-17T13:27:11Z) - STRONG-VLA: Decoupled Robustness Learning for Vision-Language-Action Models under Multimodal Perturbations [26.063335767640083]
本稿では、VLA(Vision-Language-Action)モデルのための切り離された微調整フレームワークSTRONG-VLAを提案する。
ステージIでは、モデルは困難が増す多モーダル摂動のカリキュラムに晒される。
ステージIIでは、モデルはクリーンなタスク分布と整合して、堅牢性を維持しながら実行の忠実さを回復します。
LIBEROベンチマークの実験では、STRONG-VLAは複数のVLAアーキテクチャにおけるタスク成功率を一貫して改善している。
論文 参考訳（メタデータ） (2026-04-11T06:37:47Z) - Less Approximates More: Harmonizing Performance and Confidence Faithfulness via Hybrid Post-Training for High-Stakes Tasks [52.81286869496811]
大規模な言語モデルは、自信を持って不正確な推論が現実世界の害を引き起こすような、ハイテイクなタスクにますますデプロイされている。
内的フィードバックからの教師なし強化学習と推論・トラス誘導型推論蒸留を併用して協調的に最適化することを提案する。
PRG方式のメトリクスを用いてRDとRLIFを適応的に重み付けするハイブリッドポストトレーニングフレームワークであるHyTuningを紹介する。
論文 参考訳（メタデータ） (2026-04-09T16:50:11Z) - Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。
Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。
すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
論文 参考訳（メタデータ） (2026-04-07T17:43:18Z) - Post Fusion Bird's Eye View Feature Stabilization for Robust Multimodal 3D Detection [2.336163487623381]
Post Fusion Stabilizer (PFS)は、既存の検出器の中間的なBEV表現で動作する軽量モジュールである。
PFSは、領域シフトの下で特徴統計を安定化し、センサ劣化による空間領域を抑圧し、残留補正によって弱められたキューを適応的に復元する。
PFSはいくつかの障害モードを実現し、特にカメラのドロップアウトロバスト性は+1.2%向上し、低照度性能は+4.4%向上した。
論文 参考訳（メタデータ） (2026-03-05T19:27:57Z) - Uncertainty-aware Generative Recommendation [52.0751022792023]
Uncertainty-aware Generative Recommendation (UGR)は、適応最適化のための重要な信号として不確実性を利用する統一的なフレームワークである。
UGRは優れたレコメンデーション性能を得るだけでなく、トレーニングを根本的に安定化させ、標準手法でよく見られる性能劣化を防ぐ。
論文 参考訳（メタデータ） (2026-02-12T08:48:51Z) - Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。
実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。
FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
論文 参考訳（メタデータ） (2026-02-01T05:54:59Z) - Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。
このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
論文 参考訳（メタデータ） (2026-01-30T16:38:05Z) - Parent-Guided Adaptive Reliability (PGAR): A Behavioural Meta-Learning Framework for Stable and Trustworthy AI [0.0]
Parent-Guided Adaptive Reliability (PGAR)は軽量な振る舞いメタ学習フレームワークである。
障害時の安定性、キャリブレーション、リカバリを改善するため、標準的な学習者の上に、監督的な"親"層を追加します。
PGARは既存の最適化と学習パイプラインのためのプラグイン信頼性レイヤとして機能し、安全関連設定の解釈可能なトレースをサポートする。
論文 参考訳（メタデータ） (2026-01-07T06:02:34Z) - FLARE: Adaptive Multi-Dimensional Reputation for Robust Client Reliability in Federated Learning [0.6524460254566904]
フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にする。
ビザンツの攻撃、データ中毒、あるいは適応的な敵行動を通じてモデルの完全性を侵害する悪意のあるクライアントには、依然として脆弱である。
FLAREは,クライアントの信頼性評価を二分決定から連続的多次元信頼評価に変換するアダプティブな評価ベースフレームワークである。
論文 参考訳（メタデータ） (2025-11-18T17:57:40Z) - Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。
検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。
また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
論文 参考訳（メタデータ） (2024-05-27T17:59:39Z)
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。