論文の概要: Extending Responsibility-Sensitive Safety for the Assessment of Offloaded Autonomous Driving Services

• arxiv url: http://arxiv.org/abs/2606.07067v1
• Date: Fri, 05 Jun 2026 09:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.656123
• Title: Extending Responsibility-Sensitive Safety for the Assessment of Offloaded Autonomous Driving Services
• Title（参考訳）: オフロード自動運転サービス評価のための責任感性安全性の拡張
• Authors: Robin Dehler, Aryan Thakur, Michael Buchholz,
• Abstract要約: オフロードされたサービス構成は、無線車間通信(V2X)により増加し、応答時間も変化する。 我々は、ローカルおよびオフロードされたADサービス構成の応答時間を明確に説明するために、責任感性安全の定義を拡張します。 オフロードされたサービス構成は、現在のトラフィック状況が対応するエンドツーエンドの応答時間の下で安全である場合にのみ許可される。
• 参考スコア（独自算出の注目度）: 1.0259341218563047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safety is a fundamental requirement in the development of autonomous driving (AD) systems. While function offloading has demonstrated significant benefits in terms of computational efficiency and energy consumption, its application to safety-critical AD functionality introduces new challenges. In particular, offloaded service compositions incur increased and variable response times due to wireless vehicle-to-everything (V2X) communication, which directly affects the vehicle's reaction time and thus its safety guarantees. In this paper, we address this challenge by extending the definitions of Responsibility-Sensitive Safety (RSS) to explicitly account for different response times of local and offloaded AD service compositions. Based on this extension, we propose an integration into function offloading, using the RSS safety constraints for offloading decision-making and fallback mechanisms. Offloaded service compositions are only permitted if the current traffic situation remains safe under the corresponding end-to-end response time. If this condition is violated, the system performs a controlled fallback to local execution. Furthermore, we introduce an enhanced fallback strategy that includes a warm-standby phase for offloaded services, enabling faster and safer transitions from offloaded to local services. The proposed approach is integrated into our AD stack and evaluated in both simulation and the real world. Experimental results demonstrate that the proposed method improves safety compared to state-of-the-art function offloading and safety frameworks, while preserving the benefits of distributed computation when safety conditions allow.
• Abstract（参考訳）: 安全は自律運転(AD)システムの開発における基本的な要件である。 関数オフロードは計算効率とエネルギー消費の面で大きなメリットがあるが、安全性に重要なAD機能への応用は新たな課題をもたらす。 特に、オフロードされたサービス構成は、無線車間通信(V2X)により、車両の反応時間に直接影響し、その安全性が保証されるため、増加し変動する。 本稿では、ローカルおよびオフロードADサービス構成の応答時間を明確に説明するために、レスポンシビリティ・センシティブ・セーフティ(RSS)の定義を拡張して、この問題に対処する。 この拡張に基づき,RSSの安全性制約を利用して,意思決定機構とフォールバック機構をオフロードする機能オフロードの統合を提案する。 オフロードされたサービス構成は、現在のトラフィック状況が対応するエンドツーエンドの応答時間の下で安全である場合にのみ許可される。 この条件が違反した場合、システムはローカル実行に対する制御されたフォールバックを実行する。 さらに、オフロードされたサービスに対するウォームスタンバイフェーズを含む強化されたフォールバック戦略を導入し、オフロードされたサービスからローカルサービスへの、より高速で安全な移行を可能にする。 提案手法はADスタックに統合され,シミュレーションと実世界の両方で評価される。 実験により,提案手法は,安全条件が許される場合の分散計算の利点を保ちながら,最先端の機能オフロードや安全性フレームワークと比較して安全性を向上することを示した。

関連論文リスト

• A Safety-Constrained Reinforcement Learning Framework for Reliable Wireless Autonomy [1.5469452301122173]
  本稿では,実証搬送制御とエンパワーメント予算(EB)適用を統合した,積極的な安全制約付きRLフレームワークを提案する。 本手法は, 性能劣化を最小限に抑え, 証明可能な安全保証を実現する。 その結果,将来の6Gネットワークにおける信頼性の高い無線自律性を実現するために,プロアクティブな安全制約付きRLの可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2026-01-12T02:02:52Z)
• RoboSafe: Safeguarding Embodied Agents via Executable Safety Logic [56.38397499463889]
  視覚言語モデル(VLM)を利用するエージェントは、複雑な現実世界のタスクを実行する能力がますます高まっている。 しかし、安全でない行動を引き起こす可能性のある危険な指示に弱いままである。 提案するRoboSafeは,実行可能述語ベースの安全ロジックを通じて,エージェントを具体化するためのランタイムセーフガードである。
  論文  参考訳（メタデータ） (2025-12-24T15:01:26Z)
• SafeAgent: Safeguarding LLM Agents via an Automated Risk Simulator [77.86600052899156]
  LLM(Large Language Model)ベースのエージェントは、現実のアプリケーションにますますデプロイされる。 完全自動合成データ生成によるエージェント安全性を体系的に向上する最初のフレームワークであるAutoSafeを提案する。 AutoSafeは安全性のスコアを平均で45%向上させ、現実世界のタスクでは28.91%の改善を実現している。
  論文  参考訳（メタデータ） (2025-05-23T10:56:06Z)
• Shape it Up! Restoring LLM Safety during Finetuning [65.75757313781104]
  大型言語モデル(LLM)の微調整は、ユーザ固有のカスタマイズを可能にするが、重大な安全性リスクをもたらす。 動的安全整形(DSS)は,不安全コンテンツを抑えつつ,応答の安全な部分からの学習を強化するための,きめ細かい安全信号を用いたフレームワークである。 STARスコアによって導かれるSTAR-DSSは、微調整リスクを堅牢に軽減し、多様な脅威、データセット、モデルファミリーにまたがる大幅な安全性の向上を提供する。
  論文  参考訳（メタデータ） (2025-05-22T18:05:16Z)
• SafeCast: Risk-Responsive Motion Forecasting for Autonomous Vehicles [12.607007386467329]
  リスク応答型モーション予測モデルであるSafeCastを提案する。 安全を意識した意思決定と不確実性を意識した適応性を統合する。 我々のモデルは、軽量なアーキテクチャと低推論レイテンシを維持しながら、最先端(SOTA)の精度を実現する。
  論文  参考訳（メタデータ） (2025-03-28T15:38:21Z)
• EVSOAR: Security Orchestration, Automation and Response via EV Charging Stations [0.0]
  自動車のサイバーセキュリティは、自動車産業のイノベーションが引き起こす重要な懸念として浮上している。 これらの課題に対処するための現在の取り組みは、車両の限られた計算資源によって制限されている。
  論文  参考訳（メタデータ） (2025-03-21T09:48:29Z)
• Safety-aware Causal Representation for Trustworthy Offline Reinforcement Learning in Autonomous Driving [33.672722472758636]
  オフライン強化学習(RL)アプローチは、オフラインデータセットからのシーケンシャルな意思決定問題に対処する上で、顕著な効果を示す。 一般化可能なエンドツーエンド駆動ポリシの学習を容易にするために,saFety-aware strUctured Scenario representation (Fusion)を導入した。 様々な運転シナリオにおける実証的な証拠は、フュージョンが自律運転エージェントの安全性と一般化性を著しく向上させることを証明している。
  論文  参考訳（メタデータ） (2023-10-31T18:21:24Z)
• Safety Margins for Reinforcement Learning [53.10194953873209]
  安全マージンを生成するためにプロキシ臨界度メトリクスをどのように活用するかを示す。 Atari 環境での APE-X と A3C からの学習方針に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-07-25T16:49:54Z)

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。