論文の概要: A Reliable Context-Aware and Temporal Planning Framework for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2607.04689v1
- Date: Mon, 06 Jul 2026 05:32:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.051115
- Title: A Reliable Context-Aware and Temporal Planning Framework for Autonomous Driving
- Title（参考訳）: 自律運転のための信頼性のあるコンテキスト認識・時間計画フレームワーク
- Abstract要約: 自律運転のための信頼性のあるコンテキスト認識・時間計画フレームワーク(RCT-AD)を提案する。
Reliable Context Awarenessモジュールは、フレーム単位の信頼性を記録し、信頼できる機能を選択的に保持する。
時間軌道プランナは、長期の依存関係とマルチエージェントインタラクションをキャプチャして、よりスムーズで安全を意識した軌道を生成する。
- 参考スコア（独自算出の注目度）: 10.702734504331147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safe operation of autonomous vehicles in dense urban traffic depends on perception and planning that remain reliable when onboard sensing is degraded. In real driving conditions, camera observations are frequently corrupted by occlusion, motion blur, illumination change, and sensor noise, and when such degraded observations are aggregated indiscriminately over time, trajectory planning becomes unstable and collision risk rises for both the ego vehicle and surrounding road users. Recent Bird's-Eye-View (BEV) approaches unify perception and planning through a shared spatial representation, but most fuse temporal information across frames without assessing the reliability of the underlying observations. We present a Reliable Context-Aware and Temporal Planning framework for Autonomous Driving (RCT-AD) that explicitly models feature quality and temporal consistency to support safer, more consistent planning. A Reliable Context Awareness module scores per-frame reliability and selectively retains trustworthy features through a quality-gated First-In-Last-Out (FILO) memory mechanism, reconstructing degraded observations from reliable historical context so that corrupted inputs do not destabilize the scene representation. A Temporal Trajectory Planner captures long-term dependencies and multi-agent interactions to produce smoother, safety-aware trajectories, while a joint detection-and-segmentation head injects semantic and motion cues into the shared BEV space to strengthen scene understanding. Experiments on the nuScenes autonomous driving benchmark show that RCT-AD improves perception accuracy, motion prediction, and planning robustness over recent end-to-end baselines, achieving 61.5 nuScenes Detection Score, 52.9 mean Average Precision, and 52.3 mean Intersection over Union, while maintaining competitive computational efficiency suitable for real-time deployment.
- Abstract（参考訳）: 都市交通における自動運転車の安全運転は、オンボードセンシングが劣化した場合の認識と計画に依存している。
実際の運転条件では、カメラ観測は、閉塞、動きのぼけ、照明変化、センサノイズによって頻繁に破損し、その劣化した観察が時間とともに無差別に集約されると、軌道計画が不安定になり、エゴ車両および周囲の道路利用者の衝突リスクが上昇する。
近年のBird's-Eye-View (BEV) では,空間表現の共有による認識と計画の統一が試みられている。
我々は、より安全で一貫した計画を支援するために、特徴的品質と時間的一貫性を明示的にモデル化した、自律運転のための信頼性の高いコンテキスト認識時計画フレームワーク(RCT-AD)を提案する。
Reliable Context Awarenessモジュールは、フレーム単位の信頼性をスコアし、品質の高いファースト・イン・ラスト・アウト(FILO)メモリ機構を通じて信頼できる特徴を選択的に保持する。
時間軌道プランナは、長期的な依存関係とマルチエージェントインタラクションをキャプチャして、よりスムーズで安全を意識した軌道を生成する一方、共同検出・分離ヘッドは、シーン理解を強化するために、共有されたBEV空間に意味と動きの手がかりを注入する。
nuScenes自動運転ベンチマークの実験では、RTT-ADは最近のエンドツーエンドベースラインに対する認識精度、動き予測、計画ロバスト性を向上し、61.5 nuScenes Detection Score, 52.9 mean Average Precision, 52.3 mean Intersection over Unionを達成し、リアルタイムデプロイメントに適した競争計算効率を維持している。
関連論文リスト
- A Multi-Modal Perception Pipeline for Object Detection and Tracking in Autonomous Racing [1.3281177137699656]
本稿では,自律走行領域における物体検出と追跡のためのマルチモーダル遅延融合認識パイプラインを提案する。
カメラ、LiDAR、RADARからの独立検出は、周囲の車両のタイムリーで堅牢な状態推定を提供するために組み合わせられる。
追従法は、車両のダイナミックスや軌道レイアウトの知識を前に、検出遅延とモデルへの埋め込みを明示的に補償する。
論文 参考訳（メタデータ） (2026-09-08T07:11:38Z) - PRISA: Proactive Infrastructure LiDAR Framework for Intersection Safety Assessment [3.6737243445877663]
都市交差点は道路網の最も危険な場所の一つであり、歩行者やサイクリストのような車両や脆弱な道路利用者(VRU)に重大なリスクをもたらす。
本稿では,プライバシ保護,低照度路面センサを活用した,長期交通観測とエッジでのリアルタイムリスク検出のためのモジュール型インフラストラクチャLiDARフレームワークであるPRISAを提案する。
PRISAは、公開R-LiViTデータセットで評価され、テネシー州チャタヌーガのライブシグナル付き交差点でNVIDIA Jetson AGX Thorにデプロイされる。
論文 参考訳（メタデータ） (2026-07-17T17:35:23Z) - 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) - RACF: A Resilient Autonomous Car Framework with Object Distance Correction [4.626261940793026]
オブジェクト距離補正アルゴリズム(ODCA)を組み込んだRACF(Resilient Autonomous Car Framework)を提案する。
この枠組みでは、奥行きカメラによる障害物距離推定が不整合である場合には、クロスセンサゲートが補正アルゴリズムを起動して検出された不整合を修正する。
このフレームワークは、強い汚職の下で最大35%のRMSE削減を実現し、リアルタイムに運用しながら、コンプライアンスの停止とブレーキのレイテンシを改善した。
論文 参考訳（メタデータ） (2026-04-14T08:06:09Z) - Attention in Motion: Secure Platooning via Transformer-based Misbehavior Detection [0.6999740786886536]
車両小隊は、多車編成の調整を通じて、輸送効率と安全性の変革的な改善を約束する。
確率チェックや統計的手法に依存する従来の誤動作検出手法は、偽陽性(FP)率が高い。
Intention In Motion (AIMformer) は、車体プラトンにおけるリアルタイムな誤動作検出に適したトランスフォーマーベースのフレームワークである。
論文 参考訳（メタデータ） (2025-12-17T14:45:33Z) - Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。
OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。
当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
論文 参考訳（メタデータ） (2025-12-08T15:56:18Z) - Edge-Based Multimodal Sensor Data Fusion with Vision Language Models (VLMs) for Real-time Autonomous Vehicle Accident Avoidance [12.513296074529727]
本稿では,自律走行のためのリアルタイムエッジベース自律走行軌道プランナ(REACT)を提案する。
REACTは、微調整軽量ビジョンランゲージモデル(VLM)に基づくADのためのV2X統合軌道最適化フレームワークである。
DeepAccidentベンチマークで評価されたREACTは、最先端の性能、77%の衝突率の低減、48.2%のビデオパノプティクス品質(VPQ)、およびJetson AGX Orinでの0.57秒の推論遅延を実現している。
論文 参考訳（メタデータ） (2025-08-01T20:16:04Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。
AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。
さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
論文 参考訳（メタデータ） (2025-05-28T20:22:43Z) - CRASH: Crash Recognition and Anticipation System Harnessing with Context-Aware and Temporal Focus Attentions [13.981748780317329]
カメラ映像から周囲の交通機関の事故を正確にかつ迅速に予測することは、自動運転車(AV)の安全性に不可欠である
本研究は, CRASH と呼ばれる, AV の新たな事故予測フレームワークを提案する。
オブジェクト検出、特徴抽出、オブジェクト認識モジュール、コンテキスト認識モジュール、多層融合の5つのコンポーネントをシームレスに統合する。
私たちのモデルは、平均精度(AP)や平均到達時間(mTTA)といった重要な評価指標において、既存のトップベースラインを超えています。
論文 参考訳（メタデータ） (2024-07-25T04:12:49Z) - Towards Stable 3D Object Detection [64.49059005467817]
安定度指数(SI)は3次元検出器の安定性を信頼度、ボックスの定位、範囲、方向で総合的に評価できる新しい指標である。
モデルの安定性向上を支援するため,予測一貫性学習(PCL)と呼ばれる,汎用的で効果的なトレーニング戦略を導入する。
PCLは本質的に、異なるタイムスタンプと拡張の下で同じオブジェクトの予測一貫性を促進し、検出安定性を向上させる。
論文 参考訳（メタデータ） (2024-07-05T07:17:58Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z)
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。