論文の概要: Benchmarking the Robustness of Autonomous Driving to Environmental Illusions: A Lane Perception Perspective

• arxiv url: http://arxiv.org/abs/2607.05783v1
• Date: Tue, 07 Jul 2026 03:15:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.377845
• Title: Benchmarking the Robustness of Autonomous Driving to Environmental Illusions: A Lane Perception Perspective
• Title（参考訳）: 環境問題への自律運転のロバストさのベンチマーク:車線知覚の視点から
• Authors: Tianyuan Zhang, Xianglong Liu, Aishan Liu, Lu Wang, Yitong Zhang, Peng Yue, Mingchuan Zhang, Siyuan Liang, Dacheng Tao,
• Abstract要約: 環境錯覚は自然に存在するが、現実の運転環境では見過ごされている現象である。 視覚的知覚を妨害し、シーンの誤解を招き、自動運転システムに深刻な安全リスクをもたらす。 最初のベンチマークであるLanEvil++を導入し、環境錯覚下での車線知覚の堅牢性を評価する。
• 参考スコア（独自算出の注目度）: 76.02772556944073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Environmental illusions (eg., shadows, reflections, and tire marks) are naturally existing yet overlooked phenomena in real-world driving environments. They can disturb visual perception, leading to misinterpretation of the scene and posing serious safety risks to autonomous driving (AD) systems. However, existing researches largely overlook these phenomena, leaving a critical gap. To address this issue, we study AD robustness through the lane perception perspective, a fundamental task supporting core functions like cruise control and lane centering. We focus on two representative models: conventional lane detection (LD) and vision-language model-based systems (ADVLMs). In this work, we introduce the first benchmark, LanEvil++, for evaluating the robustness of lane perception under environmental illusions. LanEvil++ encompasses 14 types of illusions and leverages the CARLA simulator to generate 94 high-fidelity, fully controllable 3D scenes, yielding a dataset of 90,292 annotated images, 1,596 video clips, and 41,855 visual question answering pairs. Extensive evaluations demonstrate that environmental illusions substantially degrade the performance of state-of-the-art LD methods. On average, LD models experience a 5.27% drop in Accuracy and a 10.49% decline in F1-score, while ADVLMs show a 2.03% reduction in GPT-score and a 0.75% drop in Language-score. Among all illusions, shadows emerge as the most disruptive factor, reducing accuracy by up to 7.20%. Furthermore, closed-loop simulations reveal that these illusions can lead to incorrect driving decisions. Complementary real-world case studies highlight safety-critical failures in actual traffic scenes. To enhance robustness, we propose the Multimodal Illusion Defense Approach (MIDA). MIDA achieves substantial gains under challenging conditions, boosting robustness by 4.23% on LD models and 3.82% on ADVLMs.
• Abstract（参考訳）: 環境錯覚(シャドウ、リフレクション、タイヤマークなど)は自然に存在するが、現実の運転環境では見過ごされている現象である。 視覚的知覚を妨害し、シーンの誤解を招き、自律運転(AD)システムに深刻な安全リスクを生じさせる。 しかし、既存の研究はこれらの現象をほとんど見落としており、重大なギャップを残している。 そこで本研究では,車線知覚の観点からADロバスト性について検討し,クルーズ制御や車線中心化といった中核機能を支える基本的な課題について述べる。 従来の車線検出(LD)と視覚言語モデルベースシステム(ADVLM)の2つの代表的なモデルに焦点を当てた。 本研究では,環境錯覚下での車線知覚の堅牢性を評価するための最初のベンチマークであるLanEvil++を紹介する。 LanEvil++は14種類の錯覚を含み、CARLAシミュレータを利用して94の高忠実で完全に制御可能な3Dシーンを生成し、90,292の注釈付き画像、1,596のビデオクリップ、41,855の視覚的質問応答ペアのデータセットを生成する。 大規模評価では、環境錯覚は最先端のLD法の性能を著しく低下させることが示されている。 LDモデルは平均5.27%の精度低下とF1スコアの10.49%の低下を経験し、ADVLMはGPTスコアの2.03%の減少とLanguageスコアの0.75%の低下を示した。 あらゆる錯覚の中で、影が最も破壊的な要因として現れ、精度を7.20%まで下げる。 さらに、クローズドループシミュレーションは、これらの錯覚が誤った運転決定につながることを明らかにしている。 補完的な実世界のケーススタディでは、実際の交通シーンにおける安全性に重大な障害が浮き彫りになっている。 堅牢性を高めるため,MIDA(Multimodal Illusion Defense Approach)を提案する。 MIDAは挑戦的な条件下で大幅に向上し、LDモデルでは4.23%、ADVLMでは3.82%の堅牢性が向上した。

関連論文リスト

• When World Models Dream Wrong: Physical-Conditioned Adversarial Attacks against World Models [54.08784776767683]
  本稿では,物理条件を乱す最初のホワイトボックス世界モデルアタックであるPhysCond-WMA(PhysCond-WMA)を提案する。 PhysCond-WMAは知覚の忠実さを維持しながら意味、論理、決定レベルの歪みを引き起こす。
  論文  参考訳（メタデータ） (2026-02-21T07:22:37Z)
• Sequence-Preserving Dual-FoV Defense for Traffic Sign and Light Recognition in Autonomous Vehicles [0.07646713951724012]
  本研究では,米国における信号機と信号機のための二重FoV,シーケンス保存型ロバストネスフレームワークを提案する。 実生活における異常検出の応用に関する一連の実験において、本研究では、統一された3層防御スタックフレームワークの概要を概説する。
  論文  参考訳（メタデータ） (2025-10-03T00:43:25Z)
• Are VLMs Ready for Autonomous Driving? An Empirical Study from the Reliability, Data, and Metric Perspectives [56.528835143531694]
  視覚言語モデル(VLM)を評価するために設計されたベンチマークデータセットであるDriveBenchを紹介する。 以上の結果から, VLMは視覚的接地ではなく, 一般的な知識やテキストの手がかりから得られる, もっともらしい応答をしばしば生み出すことが明らかとなった。 本稿では,頑健な視覚的接地とマルチモーダル理解を優先する評価指標を提案する。
  論文  参考訳（メタデータ） (2025-01-07T18:59:55Z)
• LanEvil: Benchmarking the Robustness of Lane Detection to Environmental Illusions [61.87108000328186]
  レーン検出(LD)は自律走行システムにおいて不可欠な要素であり、適応型クルーズ制御や自動車線センターなどの基本的な機能を提供している。 既存のLDベンチマークは主に、環境錯覚に対するLDモデルの堅牢性を無視し、一般的なケースを評価することに焦点を当てている。 本稿では、LDに対する環境錯覚による潜在的な脅威について検討し、LanEvilの最初の総合ベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-03T02:12:27Z)
• EyeDAS: Securing Perception of Autonomous Cars Against the Stereoblindness Syndrome [36.39622328877822]
  我々は,物体検出装置(OD)を自律運転用に確保することを目的とした,数発の学習に基づく新しい手法であるEyeDASを提案する。 運転席からダッシュカメラで撮影した7本のYouTubeビデオ映像から2000点のオブジェクトを抽出し,EyeDASのリアルタイム性能を評価する。
  論文  参考訳（メタデータ） (2022-05-13T16:53:24Z)

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。