論文の概要: Self-Supervised Relevance Modelling in Autonomous Driving via Counterfactual Analysis

• arxiv url: http://arxiv.org/abs/2606.10688v2
• Date: Wed, 17 Jun 2026 18:09:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 13:55:51.403567
• Title: Self-Supervised Relevance Modelling in Autonomous Driving via Counterfactual Analysis
• Title（参考訳）: 対実解析による自律運転における自己監督的関連性モデリング
• Authors: Luca Lusvarghi, Javier Gozalvez, Pablo Urbano Hidalgo,
• Abstract要約: 本稿では、自律走行車における物体の関連性を定量化するAIベースのツールである、関連モデルを開発するための、新しい自己教師型アプローチを提案する。 関連性モデルはミリ秒レベルのレイテンシでオブジェクトの関連性を正確に推定できることを示す。 また、関連モデルを用いて、自動運転車の運転ポリシーに関する貴重な洞察を提供する関連ヒートマップを構築することも示しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving relies on computationally intensive perception pipelines to continuously detect and track objects in the surrounding environment. While some objects are key to plan safe and effective maneuvers, others may not be relevant and have no impact on the autonomous vehicle's driving decisions. Focusing on relevant objects allows a more efficient usage of available computational resources, reduces processing latencies, and limits the downstream propagation of perception noise. In this work, we propose a novel self-supervised approach based on counterfactual analysis to develop a relevance model - an AI-based tool that quantifies the relevance of objects for an autonomous vehicle. To demonstrate the potential of the proposed approach, we train a relevance model on a synthetic causal dataset generated in a selected urban scenario. Results show that the relevance model is able to accurately estimate the objects' relevance with millisecond-level latency, enabling real-time relevance estimation also in high-density scenarios. We also show that the relevance model can be used to build relevance heatmaps that offer valuable insights into the autonomous vehicle's driving policy and can be used to proactively inform perception and planning tasks. We openly release both the relevance model and the causal dataset.
• Abstract（参考訳）: 自律運転は、周囲環境の物体を継続的に検出し追跡するために、計算集約的な知覚パイプラインに依存している。 一部のオブジェクトは安全で効果的な操作を計画するための鍵であるが、他のオブジェクトは関係がなく、自動運転車の運転決定に影響を与えないかもしれない。 関連オブジェクトにフォーカスすることで、利用可能な計算リソースをより効率的に利用でき、処理のレイテンシを低減し、知覚ノイズの下流伝播を制限することができる。 本研究では,自動走行車における物体の関連性を定量的に評価するAIベースのツールであるRelevance Modelを開発するために,反ファクト分析に基づく新しい自己教師型アプローチを提案する。 提案手法の可能性を実証するために,選択した都市シナリオで生成された合成因果データセットを用いて関連モデルを訓練する。 その結果、関連モデルはミリ秒レベルの遅延でオブジェクトの関連性を正確に推定することができ、高密度のシナリオでもリアルタイムの関連性推定が可能であることがわかった。 また、関連モデルを用いて、自動運転車の運転方針に関する貴重な洞察を提供し、認識と計画のタスクを積極的に知らせることのできる、関連ヒートマップを構築することも示しています。 関連モデルと因果データセットの両方をオープンにリリースします。

関連論文リスト

• Learning from the Unseen: Generative Data Augmentation for Geometric-Semantic Accident Anticipation [22.129589116442208]
  交通事故の予測は、自動運転にとって重要な問題であるが未解決の問題である。 本稿では,実データの統計的パターンに整合した高忠実な合成駆動シーンを生成するデュアルパスフレームワークを提案する。 また,意味的手がかりに富んだグラフニューラルネットワークを設計し,空間的および意味的関係の動的推論を可能にする。
  論文  参考訳（メタデータ） (2026-04-29T15:29:19Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• Reason2Drive: Towards Interpretable and Chain-based Reasoning for Autonomous Driving [38.28159034562901]
  Reason2Driveは600万以上のビデオテキストペアを備えたベンチマークデータセットである。 我々は、自律運転プロセスが知覚、予測、推論ステップの逐次的な組み合わせであると特徴付けている。 本稿では,自律システムにおける連鎖型推論性能を評価するための新しい集計評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-06T18:32:33Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent Vehicle in Complex Environments [72.04891523115535]
  本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。 実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
  論文  参考訳（メタデータ） (2022-07-16T12:40:17Z)
• Important Object Identification with Semi-Supervised Learning for Autonomous Driving [37.654878298744855]
  本稿では,エゴセントリック駆動シナリオにおける重要な物体識別のための新しい手法を提案する。 モデルが無制限なラベル付きデータから学習できるようにするための,半教師付き学習パイプラインを提案する。 私たちのアプローチはルールベースのベースラインよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2022-03-05T01:23:13Z)

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。