論文の概要: CADET: Physics-Grounded Causal Auditing and Training-Free Deconfounding of End-to-End Driving Planners
- arxiv url: http://arxiv.org/abs/2606.14438v2
- Date: Tue, 16 Jun 2026 09:38:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 15:01:46.709762
- Title: CADET: Physics-Grounded Causal Auditing and Training-Free Deconfounding of End-to-End Driving Planners
- Title（参考訳）: CADET: エンド・ツー・エンド運転プランナーの物理環境監査と学習自由化
- Abstract要約: 模倣によって訓練されたエンド・ツー・エンド(E2E)自動運転プランナーは、統計的ショートカットの傾向が強い。
CADETは,事前訓練したE2Eプランナをパラメータを更新することなく,監査,ベンチマーク,修復を行う,トレーニング不要のフレームワークである。
- 参考スコア（独自算出の注目度）: 0.6768558752130311
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: End-to-end (E2E) autonomous-driving planners trained by imitation are prone to statistical shortcuts: they associate scene elements that merely co-occur with expert actions (a roadside object, a building facade) with driving decisions, rather than the variables that causally determine them. Such causal confusion silently compromises reliability in long-tail scenarios, and it is difficult to detect, because prevailing open-loop metrics (L2 displacement and collision rate) are dominated by ego status and do not indicate whether a planner depends on spurious cues. Existing remedies based on causal-intervention training require retraining large models and cannot audit a planner that is already deployed. We present CADET, a training-free framework that audits, benchmarks, and repairs spurious reliance in pretrained E2E planners without any parameter update.
- Abstract（参考訳）: 模倣によって訓練されたエンドツーエンド(E2E)の自動運転プランナーは、統計的なショートカットに傾向があります。彼らは、専門家のアクション(道路沿いのオブジェクト、ビルディングファサード)と単に共起するシーン要素と、それらを因果的に決定する変数ではなく、駆動決定を関連付けます。
このような因果的混乱は、長い尾のシナリオにおける信頼性を黙認的に損なうものであり、オープンループの指標(L2変位と衝突速度)がエゴ状態に支配されており、プランナーが急激な手がかりに依存するかどうかを示さないため、検出は困難である。
因果干渉訓練に基づく既存の改善には、大規模なモデルのトレーニングが必要で、すでにデプロイされているプランナーを監査することができない。
CADETは,事前訓練したE2Eプランナをパラメータを更新することなく,監査,ベンチマーク,修復を行う,トレーニング不要のフレームワークである。
関連論文リスト
- Agentic Security: A Systematization of Tools, Failure Modes, and Design Laws for LLM-Driven Penetration Testing [0.21990652930491858]
エージェントセキュリティは、大規模言語モデル(LLM)エージェントを使用してセキュリティツールを計画、ディスパッチ、解釈する。
これらの障害を、広く使用されている10の静的、動的、クラウド、オーケストレーション、AI赤チームツールのハンズオン評価を通じて、体系化しています。
論文 参考訳（メタデータ） (2026-08-16T07:18:04Z) - Exploring Agentic Tool-Calling Decisions via Uncertainty-Aligned Reinforcement Learning [63.24624171679711]
大規模言語モデル(LLM)ベースのエージェントは、しばしば最適なツール使用の決定を行う。
本研究では、不確実性分離を維持するための推進力として、不確実性定量化を報酬設計に組み込んだTRUSTを提案する。
論文 参考訳（メタデータ） (2026-06-05T07:08:34Z) - Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。
我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。
以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
論文 参考訳（メタデータ） (2026-05-18T08:45:24Z) - MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。
本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。
MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
論文 参考訳（メタデータ） (2026-05-13T23:35:14Z) - UniUncer: Unified Dynamic Static Uncertainty for End to End Driving [20.831597460437198]
提案するUniUncerは,E2Eプランナ内の静的要素と動的要素の両方について,共同で不確実性を推定し,使用するための,最初の軽量で統一された不確実性フレームワークである。
設計はオーバーヘッドを最小限にし、一般的なE2Eバックボーンのプラグアンドプレイを保ちながら、$sim$0.5 FPSでスループットを低下させる。
論文 参考訳（メタデータ） (2026-03-08T15:43:02Z) - ExpertAD: Enhancing Autonomous Driving Systems with Mixture of Experts [13.846892166111646]
ExpertADは、自律運転システムの性能を高める新しいフレームワークである。
実験の結果,ExpertADは従来の手法に比べて平均衝突速度を最大20%削減し,推論遅延を25%削減できることがわかった。
論文 参考訳（メタデータ） (2025-11-13T13:14:17Z) - Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。
本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
論文 参考訳（メタデータ） (2025-03-14T17:59:41Z) - CATPlan: Loss-based Collision Prediction in End-to-End Autonomous Driving [1.9739631699200297]
本稿では,エンド・ツー・エンドの自動運転システムによって予測される計画軌道の不確実性を推定する。
我々はCATPlanと呼ばれる新しい軽量モジュールを導入し、動作をデコードし、エンド・ツー・エンドのADシステムを部分的に監視するために使用される衝突損失の推定に埋め込みを計画する。
我々は、CATPlanを安全クリティカルでナーフベースのクローズドループベンチマークであるNeuroNCAPで評価し、GMMベースのベースラインの平均精度に対して54.8%の相対的な改善で衝突を検出することに成功した。
論文 参考訳（メタデータ） (2025-03-10T15:10:40Z) - LoGU: Long-form Generation with Uncertainty Expressions [49.76417603761989]
不確実性を伴う長文生成(LoGU)の課題について紹介する。
不確実性抑制と不確実性誤認の2つの主要な課題を特定します。
当社のフレームワークでは,原子的クレームに基づく不確実性を改善するため,分割・分散戦略を採用している。
提案手法が精度を向上し,幻覚を低減し,応答の包括性を維持できることを示す。
論文 参考訳（メタデータ） (2024-10-18T09:15:35Z) - E2E-AT: A Unified Framework for Tackling Uncertainty in Task-aware
End-to-end Learning [9.741277008050927]
本稿では,機械学習モデルの入力特徴空間と制約付き最適化モデルの両方で生じる不確実性をカバーする統一フレームワークを提案する。
トレーニング中にCOの不確かさを無視することは、一般化エラーの新たな引き金となる。
このフレームワークはロバストな最適化問題として記述され、エンド・ツー・エンドの対角訓練(E2E-AT)によって現実的に解決されている。
論文 参考訳（メタデータ） (2023-12-17T02:23:25Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z)
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。