論文の概要: A knowledge-augmented dataset of high-risk driving scenarios with LLM annotations for autonomous driving
- arxiv url: http://arxiv.org/abs/2607.07103v1
- Date: Wed, 08 Jul 2026 07:39:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.316829
- Title: A knowledge-augmented dataset of high-risk driving scenarios with LLM annotations for autonomous driving
- Title（参考訳）: 自律運転のためのLCMアノテーションを用いた高リスク運転シナリオの知識強化データセット
- Abstract要約: K-Riskは、構造化された運転軌跡と、安全クリティカルな運転シナリオのための大きな言語モデル生成セマンティックアノテーションを組み合わせた知識拡張データセットである。
統合されたリスク中心抽出パイプラインを使用して、K-Riskは31,398のハイリスクイベントと1,036の極端に衝突するケースをキュレートする。
- 参考スコア（独自算出の注目度）: 9.113712739147317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safe autonomous driving requires both rapid responses to common high-risk events and deeper reasoning over rare, extreme long-tail scenarios in traffic safety. These scenarios are severely under-represented in naturalistic driving data, and existing trajectory and language-augmented datasets seldom provide high-risk event labels, semantic annotations, and verifiable safety signals. Here we present K-Risk, a knowledge-augmented dataset that combines structured driving trajectories with large language model generated semantic annotations for safety-critical driving scenarios. K-Risk integrates 20 human-driven and autonomous-vehicle trajectory datasets from Europe, China, and the United States, covering highways, urban freeways, intersections, and roundabouts. Using a unified risk-centric extraction pipeline, K-Risk curates 31,398 high-risk events, together with a 1,036-event extreme subset of near-collision cases. Each event is released as a synchronized trajectory, metadata, and language triplet containing structured scenario descriptions, abnormal-behavior notifications, and, for a representative subset, causal risk analyses and action recommendations validated through a closed-loop simulator with iterative reflection. By combining multi-dimensional risk annotations, interpretable language supervision, and verifiable decisions, K-Risk bridges structured traffic trajectories, semantic reasoning, and decision supervision, providing a standardized foundation for developing and evaluating next-generation risk-aware autonomous driving agents.
- Abstract（参考訳）: 安全な自動運転には、一般的なハイリスクイベントに対する迅速な対応と、交通安全における稀で極端なロングテールシナリオに対する深い推論の両方が必要である。
既存のトラジェクトリと言語拡張データセットは、リスクの高いイベントラベル、セマンティックアノテーション、検証可能な安全信号を提供することはめったにない。
ここでは、構造化駆動軌跡と、安全クリティカルな運転シナリオのための大言語モデル生成セマンティックアノテーションを組み合わせた知識強化データセットであるK-Riskを紹介する。
K-Riskは、ヨーロッパ、中国、米国からの20の人力および自律車軌道データセットを統合し、高速道路、都市高速道路、交差点、ラウンドアバウトをカバーしている。
統合されたリスク中心抽出パイプラインを使用して、K-Riskは31,398のハイリスクイベントと1,036の極端に衝突するケースをキュレートする。
各イベントは、構造化シナリオ記述、異常行動通知を含む同期トラジェクトリ、メタデータ、言語三重項としてリリースされ、代表サブセットに対しては、反復反射を伴うクローズドループシミュレータによって検証された因果リスク分析とアクションレコメンデーションが適用される。
多次元リスクアノテーション、解釈可能な言語監視、検証可能な決定を組み合わせることで、K-Riskは交通軌跡、意味的推論、意思決定監督を構造化し、次世代のリスク対応自動運転エージェントの開発と評価のための標準化された基盤を提供する。
関連論文リスト
- World Engine: Towards the Era of Post-Training for Autonomous Driving [63.61277741443647]
実世界のログから高忠実度インタラクティブ環境を再構築する生成フレームワークであるWorld Engineを紹介する。
World Engineは、稀な安全クリティカルなシナリオにおける障害を大幅に削減し、事前トレーニングデータのみをスケールするよりもはるかに大きな利益をもたらす。
プロダクションスケールの自動運転システムにデプロイすると、結果として、シミュレートされた衝突を減らすことができる。
論文 参考訳（メタデータ） (2026-06-18T06:28:33Z) - Real-Time Driver Safety Scoring Through Inverse Crash Probability Modeling [0.0]
本研究は,バイナリクラッシュ分類器を0-100連続安全性スコアに変換するフレームワークであるSafeDriver-IQを紹介する。
15の相補的な分析結果から,高リスク運転条件と低リスク運転条件を確実に区別できることが示唆された。
発見によると、衝突の87%は複数の共起リスク要因を伴い、非線形の複合効果によりリスクは4.5倍に増加する。
論文 参考訳（メタデータ） (2026-03-16T05:37:12Z) - 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) - CrashAgent: Crash Scenario Generation via Multi-modal Reasoning [34.42773413989066]
CrashAgentは,マルチモーダルな実世界の交通事故レポートを解釈するフレームワークである。
生成した衝突シナリオを,レイアウト再構成の精度,衝突速度,多様性など,複数の観点から評価した。
結果、高品質で大規模なクラッシュデータセットが公開され、安全な運転アルゴリズムの開発がサポートされる。
論文 参考訳（メタデータ） (2025-05-23T19:55:32Z) - Learning collision risk proactively from naturalistic driving data at scale [3.1457219084519004]
本研究は一般サロゲート安全対策(GSSM)を紹介する。
GSSMは、クラッシュやリスクラベルを必要とせずに、自然主義的な運転から衝突リスクを学習する。
複数のGSSMを訓練するためには、運動キネマティクス、天気、照明など、自然運動からのさまざまなデータを使用する。
即時運動キネマティクスのみを用いた基本的なGSSMは、精度-リコール曲線0.9の領域を達成し、衝突を避けるために2.6秒の中央値の時間を確保できる。
論文 参考訳（メタデータ） (2025-05-19T07:22:32Z) - Towards Reliable and Interpretable Traffic Crash Pattern Prediction and Safety Interventions Using Customized Large Language Models [14.53510262691888]
TrafficSafeは、テキストレベルの推論として、再フレームのクラッシュ予測と機能属性に適応するフレームワークである。
飲酒運転が深刻な事故の要因となっている。
TrafficSafeは、戦略的クラッシュデータ収集の改善を導くモデルトレーニングにおいて、重要な機能を強調している。
論文 参考訳（メタデータ） (2025-05-18T21:02:30Z) - RiskNet: Interaction-Aware Risk Forecasting for Autonomous Driving in Long-Tail Scenarios [6.024186631622774]
RiskNetは自動運転車のリスク予測フレームワークである。
決定論的リスクモデリングと確率論的行動予測を統合し、包括的リスク評価を行う。
リアルタイムでシナリオ適応型のリスク予測をサポートし、不確実な運転環境全体にわたって強力な一般化を示す。
論文 参考訳（メタデータ） (2025-04-22T02:36:54Z) - SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。
安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。
我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文 参考訳（メタデータ） (2025-02-28T21:53:47Z) - Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。
本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文 参考訳（メタデータ） (2024-11-04T09:21:00Z) - Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。
さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。
実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-16T03:10:16Z) - DRAMA: Joint Risk Localization and Captioning in Driving [23.091433343825727]
本稿では,運転場面における共同リスクローカライゼーションの新たな研究方向と,その自然言語記述としてのリスク説明を提案する。
標準ベンチマークの欠如により、我々は大規模データセットDRAMA (Driving Risk Assessment Mechanism with A Casting Module) を収集した。
我々のデータセットは、視覚的キャプションの目標を達成するために、関連する重要なオブジェクトによるリスクの駆動に関するビデオおよびオブジェクトレベルの質問に適合する。
論文 参考訳（メタデータ） (2022-09-22T03:53:56Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z)
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。