論文の概要: EvoEye: Self-Evolving Runtime Monitoring for Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2607.03755v2
- Date: Tue, 07 Jul 2026 09:44:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 14:37:43.13234
- Title: EvoEye: Self-Evolving Runtime Monitoring for Autonomous Driving Systems
- Title（参考訳）: EvoEye: 自律運転システムのための自己進化型ランタイムモニタリング
- Authors: Mingfei Cheng, Lionel Briand, Xiaofei Xie,
- Abstract要約: 本稿では,現在のモニタのエラーを識別し,それに応じて情報的実行を生成し,自己進化によってモニタを更新するEvoEyeを提案する。
効果的な自己進化を可能にするため、EvoEyeは、実行可能なランタイムモニタとターゲットシナリオの取得を組み合わせた。
FusionMonitorはフレームレベルのリコールを最大37.8ポイント、偽陽性率0.05で改善し、レイテンシは2.49ms、中央値警告時間は2.8-4.2秒である。
BlindSpotEvolverは、以前見逃された安全でないコンテキストにおいて、一様および違反指向のサンプリングを最大13.2F1ポイント向上させる。
- 参考スコア（独自算出の注目度）: 15.753537830005596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Runtime monitoring is essential for detecting impending hazards in autonomous driving systems (ADSs). However, existing ADS runtime monitors have fixed detection capabilities: rule-based monitors cover only manually specified hazards, while learning-based monitors depend heavily on their initial training data and may retain substantial prediction errors. We therefore propose EvoEye, which identifies the current monitor's errors, generates informative executions accordingly, and updates the monitor through self-evolution. To enable effective self-evolution, EvoEye combines a capable runtime monitor with targeted scenario acquisition. FusionMonitor learns cross-module temporal interactions for collision prediction, while BlindSpotEvolver converts current prediction errors into search guidance and uses density-aware mutation to acquire informative executions for subsequent monitor updates. We evaluate EvoEye on Baidu Apollo with CARLA in representative highway and urban scenarios. FusionMonitor improves frame-level Recall by up to 37.8 percentage points at a false positive rate of 0.05, with 2.49 ms latency and 2.8-4.2 seconds of median warning time. Under the same budget, BlindSpotEvolver outperforms uniform and violation-oriented sampling by up to 13.2 F1 points on previously missed unsafe contexts.
- Abstract（参考訳）: 自律運転システム(ADS)における危険の差し迫った検出には,実行時の監視が不可欠である。
ルールベースのモニターは手動で指定したハザードのみをカバーし、学習ベースのモニターは初期トレーニングデータに大きく依存し、かなりの予測エラーを保持する可能性がある。
そこで我々は,現在のモニタのエラーを識別し,それに応じて情報的実行を生成し,自己進化によってモニタを更新するEvoEyeを提案する。
効果的な自己進化を可能にするため、EvoEyeは、実行可能なランタイムモニタとターゲットシナリオの取得を組み合わせた。
FusionMonitorは衝突予測のためのクロスモジュール時間的相互作用を学習し、BlindSpotEvolverは現在の予測エラーを検索ガイダンスに変換し、密度認識突然変異を使用してその後の監視更新のための情報的実行を取得する。
CARLAを用いたBaidu Apollo 上での EvoEye の評価を行った。
FusionMonitorはフレームレベルのリコールを最大37.8ポイント、偽陽性率0.05で改善し、レイテンシは2.49ms、中央値警告時間は2.8-4.2秒である。
同じ予算の下で、BlindSpotEvolverは、以前見逃された安全でないコンテキストにおいて、均一かつ違反指向のサンプリングを最大13.2F1ポイントまで上回っている。
関連論文リスト
- Risk-Aware Selective Multimodal Driver Monitoring with Driver-State World Modeling [13.540675152706589]
自動車両の連続運転監視には低遅延推論が必要である。
デプロイ可能なマルチモーダルドライバ監視のためのコストアウェア選択推論フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-25T11:59:21Z) - Do Activation Monitors Survive Model Updates? Benchmarking, Predicting, and Repairing Activation-Monitor Staleness [0.16921396880325779]
ベースモデル上でトレーニングされたアクティベーションモニタが,定期的なモデル更新後も信頼性が保たれているかどうかを検証した。
量子化スタイルの更新は、主に凍結プローブのパフォーマンスを保ち、微調整スタイルの更新は、しばしばプローブを不安定にする。
また、前処理機能から劣化が予測可能であることも示し、再配置予算をモニターに向けてトリアージすることが可能となり、最も失敗する可能性が最も高い。
論文 参考訳（メタデータ） (2026-06-14T19:07:22Z) - $D^2$-Monitor: Dynamic Safety Monitoring for Diffusion LLMs via Hesitation-Aware Routing [63.49501120848927]
大規模言語モデル(D-LLM)の安全性監視はほとんど未検討である。
D-LLMの2レベル安全モニタであるD2$-Monitorを提案する。
D2$-Monitorは、常にオンのモニターとして軽量プローブを採用して、ヒューズレーションを共同で見積もり、ベース分類を実行する。
論文 参考訳（メタデータ） (2026-05-25T14:22:21Z) - Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。
本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。
本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
論文 参考訳（メタデータ） (2026-02-13T14:57:15Z) - Adaptive Attacks on Trusted Monitors Subvert AI Control Protocols [80.68060125494645]
プロトコルとモニタモデルを知っている信頼できないモデルによるアダプティブアタックについて検討する。
我々は、攻撃者がモデル出力に公知またはゼロショットプロンプトインジェクションを埋め込む単純な適応攻撃ベクトルをインスタンス化する。
論文 参考訳（メタデータ） (2025-10-10T15:12:44Z) - Temporal Misalignment Attacks against Multimodal Perception in Autonomous Driving [23.83773255227831]
DejaVuは車載ネットワークを利用して、センサストリーム間の遅延を誘導し、微妙な時間的ミスアライメントを生成する攻撃である。
包括的攻撃分析により,センサのタスク特異的な不均衡感が明らかになった。
シングルフレームのLiDAR遅延では、攻撃者は車検出のmAPを最大88.5%削減し、3フレームのカメラ遅延、車滴の多重物体追跡精度(MOTA)を73%削減できる。
論文 参考訳（メタデータ） (2025-07-12T00:44:26Z) - Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。
本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。
我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
論文 参考訳（メタデータ） (2025-05-09T20:28:17Z) - Can we Defend Against the Unknown? An Empirical Study About Threshold Selection for Neural Network Monitoring [6.8734954619801885]
実行時モニタリングは、推論中に安全でない予測を拒否するために必須である。
安全と安全でない予測の分布の分離性を最大化する拒絶スコアを確立するために様々な技術が出現している。
実世界のアプリケーションでは、効果的なモニターは、これらのスコアを意味のあるバイナリ決定に変換するための適切なしきい値を特定する必要がある。
論文 参考訳（メタデータ） (2024-05-14T14:32:58Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Training-free Monocular 3D Event Detection System for Traffic
Surveillance [93.65240041833319]
既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。
現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。
本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
論文 参考訳（メタデータ） (2020-02-01T04:42:57Z)
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。