論文の概要: Is Your Trajectory Displacement Safe in Long-tail?

• arxiv url: http://arxiv.org/abs/2606.16313v1
• Date: Mon, 15 Jun 2026 07:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.141464
• Title: Is Your Trajectory Displacement Safe in Long-tail?
• Title（参考訳）: あなたの軌道変位はロングテールで安全か?
• Authors: Qiao Sun, Weicheng Zheng, Yixin Huang, Hang Zhao,
• Abstract要約: 本稿では,信頼度の高い人的アノテーションのためのWebUIプロトコル,エビデンスに基づく決定グラフを用いた32のセマンティック脅威の分類,精度と監査性を考慮した3段階認証システム,の3つのコンポーネントによる評価パイプラインを提案する。 WOD-E2Eデータセットの実験によると、FluidTestはトレーニングされたアノテータ間で一貫性のあるラベルを生成し、プーチン軌道の65%とRAP軌道の51%で追加の脅威を特定する。
• 参考スコア（独自算出の注目度）: 33.30754761192861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-tail scenarios remain a major bottleneck for autonomous driving evaluation, even as datasets grow by orders of magnitude. Existing evaluation pipelines are rarely human-aligned, safety-aware, verifiable, and explainable at the same time: closed-loop metrics often saturate among strong planners, while unstructured human ratings can be noisy without a carefully designed protocol. We formulate planning evaluation as additional-threat detection: given a planner trajectory and an expert reference, does the planner's displacement introduce new unsafe driving behavior? We propose FluidTest, an evaluation pipeline with three components: a pairwise WebUI protocol for reliable human annotation; a taxonomy of 32 semantic threats with evidence-grounded decision graphs; and a three-agent verification system with reflection for precision and auditability. Experiments on the WOD-E2E dataset show that FluidTest produces consistent labels among trained annotators and identifies additional threats in 65% of Poutine trajectories and 51% of RAP trajectories. These results show that state-of-the-art planners can still exhibit substantial safety-relevant failures despite high Rater Feedback Scores (RFS) and low Average Displacement Error (ADE). Additional details, guidance, and code are available at https://fluidtest.web.app.
• Abstract（参考訳）: データセットが桁違いに成長しても、長い尾のシナリオは自動運転評価の大きなボトルネックであり続けている。 クローズドループメトリクスは、しばしば強力なプランナーの間で飽和し、構造化されていない人間のレーティングは、慎重に設計されたプロトコルなしでうるさい。 プランナー軌道と専門家基準を考慮すれば、プランナーの変位は新しい安全でない運転行動をもたらすか? 評価パイプラインとしてFluidTest,信頼度の高いアノテーションのためのWebUIプロトコル,エビデンス基底決定グラフを用いた32のセマンティック脅威の分類,精度と監査性を考慮した3エージェント検証システムを提案する。 WOD-E2Eデータセットの実験によると、FluidTestはトレーニングされたアノテータ間で一貫性のあるラベルを生成し、プーチン軌道の65%とRAP軌道の51%で追加の脅威を特定する。 これらの結果から,Rater Feedback Scores (RFS) と Low Average Displacement Error (ADE) は相変わらず,最先端のプランナーが重大な安全関連障害を呈する可能性が示唆された。 詳細、ガイダンス、コードはhttps://fluidtest.web.app.comで確認できる。

関連論文リスト

• What to Test Next: Interpretable Coverage Gap Discovery in Driving VLMs [52.50210189669399]
  視覚言語モデル(VLM)を駆動するには,操作設計領域(ODD)が定義する様々な条件のシーンを正確に理解する必要がある SliceScorerは、欠落したスライス推薦のための決定論的スコアリングルールである。 SliceNavは, 従来のスライス発見法よりも, 高リスクカバレッジギャップを効果的に表面化することを示す。
  論文  参考訳（メタデータ） (2026-06-01T03:18:01Z)
• CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning [11.2767413780552]
  CLOVERはエンドツーエンドの自動運転計画のためのフレームワークである。 ジェネレータは多様な候補軌道を生成し、スコアは計画値のサブスコアを予測する。 ジェネレータは教師が選択したトップ$とベクターParetoターゲットに洗練される。
  論文  参考訳（メタデータ） (2026-05-14T17:32:18Z)
• Beyond the Attention Stability Boundary: Agentic Self-Synthesizing Reasoning Protocols [6.357772907811544]
  SSRP(Self- Synthesizing Reasoning Protocols)は、アーキテクチャ計画と手続き実行の分離を実装するメタ認知フレームワークである。 提案する実験層は,浅電流に基づく検索パイロット,高エントロピーSOP,セマンティックハイジャック3ホップ多要素合成タスクの3種類である。 以上の結果から,GPT 5.4の非定常バニラ基準線が0.1%に崩壊し,SSRPは715X耐力限界を達成した。
  論文  参考訳（メタデータ） (2026-04-27T14:13:30Z)
• Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories [9.895353254067894]
  都市間交通における異常な停止検知は、乗客の安全、運転の信頼性、規制の遵守を保証するために重要である。 既存の方法は、しばしば密度の高いサンプリングや規則的な動きパターンを仮定し、適用性を制限する。 本研究では,局所空間時間密度に基づいてセグメント境界を適応的に定義するスパーシティ・アウェア (SAS) 手法を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:22:34Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• 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)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)

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。