論文の概要: What Probing Reveals about Autonomous Driving: Linking Internal Prediction Errors to Ego Planning

• arxiv url: http://arxiv.org/abs/2606.31106v1
• Date: Tue, 30 Jun 2026 04:04:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.070075
• Title: What Probing Reveals about Autonomous Driving: Linking Internal Prediction Errors to Ego Planning
• Title（参考訳）: 自動運転に関する調査:内部予測エラーとエゴ計画のリンク
• Abstract要約: 大規模データセットとシミュレーターは、安全で堅牢に見える運転ポリシーの改善を可能にした。 しかし、名目上のシナリオにおける強力なパフォーマンスは、依然として欠陥のある推論と安全でないことを隠蔽することができる。 われわれは、周囲の車両が次に移動する予測の形式を探り、安全な軌道の作り方を理解することに注力する。
• 参考スコア（独自算出の注目度）: 4.0952543282008795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale datasets and fast simulators have enabled improvements in driving policies that appear safe and robust, yet strong performance in nominal scenarios can still mask flawed reasoning and unsafe heuristics. Summary scores from closed-loop simulators do not give significant insight into the policy, making it difficult to determine whether they truly predict the motion of surrounding vehicles, how the ego vehicle generates future plans, or whether they merely rely on brittle heuristics that happen to succeed in nominal scenarios. To better understand the limits and weaknesses of driving policies, we focus on probing for forms of prediction, i.e., where surrounding vehicles will move next, and planning, i.e., understanding how to generate safe trajectories. We focus on these two capabilities because they reflect behaviors expected of effective driving policies, and use their presence or absence to assess policy quality across data-driven behavior cloning and simulation-driven reinforcement learning policies. To evaluate the presence of these capabilities, we investigate them as a function of scale, asking whether the closed-loop gains from larger datasets and longer simulation training reflect stronger prediction and planning or merely better behavioral heuristics. We use linear probing and targeted perturbations in both imitation learning and reinforcement learning models to track when these internal signals emerge, plateau, or fail. Despite good closed-loop performance, policies often fail to form timely surrounding-vehicle predictions during near-collision events, revealing a limitation in the predictive signals available for ego planning. Finally, causal intervention shows that correcting mistaken predictions improves ego planning toward safer trajectories.
• Abstract（参考訳）: 大規模データセットと高速シミュレータにより、安全で堅牢に見えるが、名目上のシナリオでは強力なパフォーマンスは、欠陥のある推論と安全でないヒューリスティックを隠蔽する可能性がある。 クローズドループシミュレーターのスコアは、このポリシーに関する重要な洞察を与えていないため、周囲の車両の動きを本当に予測しているか、エゴ車両が将来の計画をどのように生み出すのか、あるいは、通常シナリオで成功するような不安定なヒューリスティックにのみ依存しているかを判断することは困難である。 運転方針の限界と弱点をよりよく理解するために、我々は、周囲の車両が次に動く場所、計画、すなわち安全な軌道の作り方を理解することに注力する。 これら2つの能力は、効果的な運転方針が期待する行動を反映し、その存在または欠如を利用して、データ駆動行動クローンとシミュレーション駆動強化学習ポリシー間の政策品質を評価するものである。 これらの機能の存在を評価するため,より大規模なデータセットからのクローズドループゲインや,より長いシミュレーショントレーニングが,より強い予測と計画,あるいは単により優れた行動ヒューリスティックを反映しているかを問う,スケールの関数として検討する。 我々は、擬似学習モデルと強化学習モデルの両方において、線形探索と目標摂動を用いて、これらの内部信号の出現、高原の出現、失敗のタイミングを追跡する。 クローズドループ性能が良いにもかかわらず、ポリシーは概日程のイベント中にタイムリーに周囲の車両の予測を形成することができず、エゴ計画で利用可能な予測信号の制限が明らかになる。 最後に、因果介入は、誤り予測の修正が、より安全な軌道へのエゴ計画を改善することを示している。

関連論文リスト

• From Attacks to Curricula: Learnability-Guided Adversarial Training for Safe Autonomous Driving [56.30087557121323]
  AlignADVは学習性誘導型クローズドループ対向トレーニングフレームワークである。 敵のシナリオを解決可能で能力に整合したカリキュラムに変換する。 実験の結果、最大40.6%のトレーニングステップが短縮された。
  論文  参考訳（メタデータ） (2026-06-12T02:13:55Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Uncertainty-Aware DRL for Autonomous Vehicle Crowd Navigation in Shared Space [3.487370856323828]
  本研究は,モデルフリーDRLアルゴリズムのトレーニングにおいて,予測歩行者状態の不確かさを取り入れた統合予測と計画手法を導入する。 新たな報酬関数により、AVは歩行者の個人的な空間を尊重し、接近中の速度を減少させ、予測された経路との衝突確率を最小化する。 その結果, 衝突速度は40%減少し, 予測の不確実性を考慮しない技術モデルと比較すると, 歩行者との距離は15%増加した。
  論文  参考訳（メタデータ） (2024-05-22T20:09:21Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review [43.30610493968783]
  我々は、最先端のディープラーニングベースの計画システムについてレビューし、どのように予測を統合するかに焦点を当てる。 異なる統合原則の意味、強み、限界について論じる。
  論文  参考訳（メタデータ） (2023-08-10T17:53:03Z)
• What Truly Matters in Trajectory Prediction for Autonomous Driving? [25.700880872677256]
  軌道予測は自律運転システムの性能において重要な役割を果たす。 固定データセット上の予測器の精度と、車両制御のために下流で予測器が使用される場合の駆動性能との間には、大きな相違がある。
  論文  参考訳（メタデータ） (2023-06-27T01:29:20Z)
• Self-Aware Trajectory Prediction for Safe Autonomous Driving [9.868681330733764]
  軌道予測は、自動運転ソフトウェアスタックの重要なコンポーネントの1つである。 本稿では,自己認識軌道予測手法を提案する。 提案手法は, 自己認識, メモリフットプリント, リアルタイム性能で良好に動作した。
  論文  参考訳（メタデータ） (2023-05-16T03:53:23Z)
• P4P: Conflict-Aware Motion Prediction for Planning in Autonomous Driving [28.948224519638913]
  我々は、新しいコンフリクト関連指標を用いて最先端の予測器を評価する。 本稿では,物理に基づく軌道生成器と学習に基づく予測器を組み合わせた,シンプルだが効果的な代替手段を提案する。 我々の予測器であるP4Pは、現実的なインタラクティブな運転シナリオにおいて、既存の学習ベースの予測器よりも優れた性能を達成する。
  論文  参考訳（メタデータ） (2022-11-03T07:51:40Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models [82.34305824719101]
  人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-21T14:30:20Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)
• Perception as prediction using general value functions in autonomous driving applications [5.071770433010771]
  予測としての知覚は、エージェントが世界に対する認識に与える影響に関連するデータ駆動予測を学習する。 エージェントの前部安全と後部安全をGVFで予測することを学ぶことにより,予測として認識を実証する。 これらの予測は、適応的なクルーズ制御問題において、LQRベースのコントローラに類似した制御動作を生成するために使用できることを示す。
  論文  参考訳（メタデータ） (2020-01-24T17:33:06Z)

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。