論文の概要: Safe2Drive: Evaluating Safe Driving Behaviors of E2E Autonomous Driving Models

• arxiv url: http://arxiv.org/abs/2606.00191v1
• Date: Fri, 29 May 2026 16:11:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.097157
• Title: Safe2Drive: Evaluating Safe Driving Behaviors of E2E Autonomous Driving Models
• Title（参考訳）: Safe2Drive:E2E自律運転モデルの安全運転行動の評価
• Abstract要約: セーフ2Driveは、ワークゾーン、歩行者ジャイウォーキング、閉鎖された脆弱な道路利用者(VRU)の3家族に焦点をあてたシナリオ拡張である。 Safe2Driveは100の一般的な、しかし難しいシナリオを追加し、SafeDriving Score(SDS)を導入している。 私たちの結果は、ワークゾーン理解の貧弱さ、赤信号違反、歩行者の遅発、欠落といった、不安定な安全運転行動と一致しています。
• 参考スコア（独自算出の注目度）: 1.0260880679794955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent end-to-end (E2E) autonomous driving policies achieve high driving scores in closed-loop simulations. Yet it remains unclear whether these policies handle common safety-critical scenarios. We present Safe2Drive (S2D), a set of Bench2Drive-aligned scenario extensions focused on three frequent families of road hazards: work zones, pedestrian jaywalking, and occluded vulnerable road users (VRUs). Safe2Drive adds 100 common but challenging scenarios and introduces SafeDriving Score (SDS), a safety-centric metric that augments prior evaluators with pre-crash braking, work zone-object contact, lane centering, and smoothness checks. Evaluating two state-of-the-art policies (LEAD and SimLingo) on S2D, we find that their driving scores drop sharply relative to their reported Bench2Drive baselines (LEAD: from 94.70 DS on Bench2Drive to 39.95 DS on S2D; SimLingo: from 85.07 DS on Bench2Drive to 41.00 DS on S2D) and that SDS on S2D is low (11.85 for LEAD and 15.27 for Sim-Lingo). These results are consistent with brittle safe-driving behaviors such as poor work-zone understanding, red-light violations, and late or absent braking for pedestrians. This study highlights a lack of safe behavioral reasoning in E2E models even when tested on CARLA towns that are part of the training set. We plan to release the code and videos for all 100 S2D scenarios.
• Abstract（参考訳）: 近年のエンド・ツー・エンド(E2E)自動運転政策はクローズドループシミュレーションにおいて高い運転スコアを達成している。 しかし、これらのポリシーが一般的な安全クリティカルなシナリオを扱うかどうかは不明だ。 本稿では,ワークゾーン,歩行者ジャイウォーキング,閉鎖された脆弱な道路利用者(VRU)の3家族を対象とした,Bench2Drive対応シナリオ拡張セットであるSafe2Drive(S2D)を紹介する。 Safe2Driveは100の一般的な、しかし難しいシナリオを追加し、SafeDriving Score(SDS)を導入している。 S2Dにおける2つの最先端ポリシー(LEADとSimLingo)を評価すると、彼らの運転スコアは、報告されたBench2Driveベースライン(LEAD:94.70 DS、S2D:39.95 DS、SimLingo:85.07 DS、S2D:41.00 DS、S2D:11.85、Sim-Lingo:15.27)と比較して著しく低下する。 これらの結果は、ワークゾーン理解の貧弱さ、赤信号違反、歩行者の遅発、欠落といった不安定な安全運転行動と一致している。 本研究は、トレーニングセットの一部であるCARLA町でテストしても、E2Eモデルに安全な行動推論が欠如していることを明らかにする。 我々は、100のS2Dシナリオのコードとビデオをリリースする予定です。

関連論文リスト

• Dash2Sim: Closed-Loop Driving Simulation from in-the-wild Dashcam Videos [51.46430520173442]
  Dash2Simは、既存のシミュレーターと互換性のある、測度の高い4Dドライビングログに変換するフレームワークだ。 そこで,Dash2Simにより回収された深度は,知覚測定値において19%の新規ビュー合成品質を向上することを示した。
  論文  参考訳（メタデータ） (2026-06-05T15:09:27Z)
• Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning [73.88859384645264]
  道路交通事故は世界中の交通事故の主な原因である。 米国では、人間のエラーが94%のクラッシュを引き起こし、7000人以上の歩行者が死亡し、年間500億ドルのコストがかかる。 本稿では,Dreep Reinforcement Learning (DRL) 衝突回避政策のアウト・オブ・ディストリビューションをパラメータ化する。 2つのポリシーが評価され、デフォルトのユニディレクションと、他の車と反対方向にナビゲートする逆方向のバリエーションが評価される。
  論文  参考訳（メタデータ） (2026-04-17T21:11:39Z)
• 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)
• CoReVLA: A Dual-Stage End-to-End Autonomous Driving Framework for Long-Tail Scenarios via Collect-and-Refine [73.74077186298523]
  CoReVLAは、自動運転のための継続的学習フレームワークである。 データコレクションとビヘイビアリファインメントの2段階プロセスを通じて、ロングテールシナリオのパフォーマンスを改善する。 CoReVLAは72.18のドライビングスコア(DS)と50%の成功率(SR)を達成し、7.96DSの最先端手法と15%SRの長期的安全クリティカルシナリオで性能を向上する。
  論文  参考訳（メタデータ） (2025-09-19T13:25:56Z)
• The 9th AI City Challenge [64.32227009699942]
  第9回AIシティチャレンジは、輸送、産業自動化、公共安全におけるコンピュータビジョンとAIの現実的な応用を推し進めている。 2025年版では4トラックが収録され、17%が参加し、評価サーバに登録された15カ国から245チームが参加した。 チャレンジデータセットのパブリックリリースにより、これまでに3万回以上ダウンロードされた。
  論文  参考訳（メタデータ） (2025-08-19T06:55:06Z)
• Safety2Drive: Safety-Critical Scenario Benchmark for the Evaluation of Autonomous Driving [21.709729470006675]
  自律運転(AD)システムの評価を目的とした安全クリティカルシナリオライブラリであるSafety2Driveを提案する。 Safety2Driveは、標準規則で要求されるテスト項目を包括的にカバーし、70のAD関数テスト項目を含む。 自然環境の腐敗や、カメラとLiDARセンサー間の敵攻撃など、安全上の脅威を注入する能力がある。
  論文  参考訳（メタデータ） (2025-05-20T03:27:06Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• EyeDAS: Securing Perception of Autonomous Cars Against the Stereoblindness Syndrome [36.39622328877822]
  我々は,物体検出装置(OD)を自律運転用に確保することを目的とした,数発の学習に基づく新しい手法であるEyeDASを提案する。 運転席からダッシュカメラで撮影した7本のYouTubeビデオ映像から2000点のオブジェクトを抽出し,EyeDASのリアルタイム性能を評価する。
  論文  参考訳（メタデータ） (2022-05-13T16:53:24Z)
• AdvSim: Generating Safety-Critical Scenarios for Self-Driving Vehicles [76.46575807165729]
  我々は,任意のLiDARベースの自律システムに対して,安全クリティカルなシナリオを生成するための,敵対的フレームワークであるAdvSimを提案する。 センサデータから直接シミュレートすることにより、完全な自律スタックに対して安全クリティカルな敵シナリオを得る。
  論文  参考訳（メタデータ） (2021-01-16T23:23:12Z)

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。