論文の概要: Comparison-Based Ordinal Learning for Proactive Driving Risk Assessment
- arxiv url: http://arxiv.org/abs/2607.11128v1
- Date: Mon, 13 Jul 2026 06:05:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.345884
- Title: Comparison-Based Ordinal Learning for Proactive Driving Risk Assessment
- Title（参考訳）: 積極的運転リスク評価のための比較ベース規則学習
- Abstract要約: 本稿では,データ駆動における相互監督から衝突関連リスクスコアを学習する,比較に基づく順序性リスク学習フレームワークを提案する。
その結果,提案フレームワークは,ハイリコールリスク識別,警告精度,および代表的代理ベースラインに対するリードタイムを向上することがわかった。
- 参考スコア（独自算出の注目度）: 18.28137177820341
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time driving risk assessment provides an essential basis for proactive safety by identifying and quantifying the danger of ongoing road interactions before adverse outcomes occur. However, due to the scarcity of collision data and frame-level risk labels, existing driving risk assessment methods often rely on surrogate objectives, which may imperfectly align with true collision risk and not faithfully reflect the relative danger of driving interaction. This paper proposes a comparison-based ordinal risk learning framework that learns collision-relevant risk scores from pairwise supervision in driving data, directly modeling relative risk ordering without requiring numerical frame-level risk labels. We derive pairwise comparisons from three sources of event-structured driving data for such ordinal risk learning: temporal progression within safety-critical sequences, event-level contrast between dangerous and normal interactions, and physics-based counterfactual perturbations. On this basis, instantiations with three risk-scoring function parameterizations are implemented, including directly learning risk scores from comparison data, and aligning existing single or multiple surrogate-based risk models. The proposed framework is evaluated on the 100-Car and SHRP2 naturalistic driving datasets using a proactive collision warning task. Results show that the proposed framework improves high-recall risk discrimination, warning precision, and warning lead time over representative surrogate-based baselines across both in-distribution and out-of-distribution evaluations. These results suggest that the proposed framework can contribute to proactive safety research by providing more reliable risk assessment for automated driving systems and safety-critical driving interactions.
- Abstract（参考訳）: リアルタイム運転リスク評価は、有害な結果が起こる前に、進行中の道路相互作用の危険を特定し、定量化することで、積極的な安全に不可欠な基礎を提供する。
しかしながら、衝突データやフレームレベルのリスクラベルが不足しているため、既存の運転リスク評価手法は、真の衝突リスクと不完全に一致し、運転相互作用の相対的危険を忠実に反映しない、代理目的に依存していることが多い。
本稿では, 衝突関連リスクスコアを, フレームレベルのリスクラベルを必要とせず, 相対的リスクオーダを直接モデル化して, 駆動データにおける衝突関連リスクスコアを学習する手法を提案する。
本研究は, 安全クリティカルシーケンス内の時間的進行, 危険と正常な相互作用の事象レベルのコントラスト, 物理に基づく反実的摂動の3つの事象構造化運転データから, ペアワイズ比較を行った。
リスクスコアを比較データから直接学習することや、既存の単一または複数のサロゲートベースのリスクモデルを調整することを含む、3つのリスクスコア関数パラメータ化によるインスタンス化が実装されている。
提案手法は,100-CarおよびSHRP2の自然性駆動データセット上で,前向き衝突警告タスクを用いて評価する。
その結果, 提案手法は, 高リコールリスク判別, 警告精度, 警告リードタイムを, 分布内ベースラインと分布外ベースラインの両方で改善することを示した。
これらの結果から,自動運転システムと安全クリティカル運転インタラクションのリスク評価を,より信頼性の高いものにすることで,前向きな安全研究に寄与できることが示唆された。
関連論文リスト
- Data-Driven Risk Fields for Safer End-to-End Autonomous Driving [25.328788313918977]
我々は、より安全な自動運転のためのデータ駆動型リスクフィールドフレームワークDRiFを提案する。
DRiFは、静的マップセグメンテーション、動的リスク予測、車両計画を備えた共有BEV機能を学ぶ。
Bench2Driveの実験では、DRiFは、駆動スコア、成功率、衝突関連メトリクスを一貫して改善して、全体的なパフォーマンスを競争力のあるものにしている。
論文 参考訳（メタデータ） (2026-09-09T16:05:17Z) - Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。
安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-14T01:23:09Z) - Fusing Driver Perceived and Physical Risk for Safety Critical Scenario Screening in Autonomous Driving [20.663269212781426]
本稿では,自動運転における運転リスク融合に基づく危険シナリオスクリーニング手法を提案する。
トレーニング中に、改良されたドライバリスクフィールドと動的コストモデルを組み合わせて、高品質なリスク監視信号を生成する。
推論中は、高速なフォワードパスを通じてシナリオレベルのリスクスコアを直接予測し、フレーム単位のリスク計算を避ける。
論文 参考訳（メタデータ） (2026-03-07T13:24:23Z) - Constrained Language Model Policy Optimization via Risk-aware Stepwise Alignment [49.2305683068875]
本稿では,リスク認識を政策最適化プロセスに組み込んだ新しいアライメント手法であるリスク対応ステップワイドアライメント(RSA)を提案する。
RSAは、過剰なモデルシフトによって引き起こされるリスクを基準方針から緩和し、低確率で高影響の有害な振る舞いを明示的に抑制する。
実験により, 本手法は高い安全性を確保しつつ, 高い安全性を達成できることが確認された。
論文 参考訳（メタデータ） (2025-12-30T14:38:02Z) - RADAR: A Risk-Aware Dynamic Multi-Agent Framework for LLM Safety Evaluation via Role-Specialized Collaboration [81.38705556267917]
大規模言語モデル(LLM)の既存の安全性評価手法は、固有の制約に悩まされている。
リスク概念空間を再構築する理論的枠組みを導入する。
マルチエージェント協調評価フレームワークRADARを提案する。
論文 参考訳（メタデータ） (2025-09-28T09:35:32Z) - How Much Is Too Much? Adaptive, Context-Aware Risk Detection in Naturalistic Driving [0.6299766708197883]
ラベルやモデルを時間とともに、ドライバ間で適応する統合されたコンテキスト対応フレームワークを提案する。
このフレームワークは、速度重み付けされたヘッドウェイと厳しい運転イベントの2つの安全指標と、ランダムフォレスト、XGBoost、ディープニューラルネットワーク(DNN)の3つのモデルを用いてテストされている。
全体として、このフレームワークは、リアルタイムの安全フィードバックを強化し、インテリジェントな交通システムにおけるドライバー中心の介入をサポートする、適応的でコンテキスト対応のリスク検出を約束している。
論文 参考訳（メタデータ） (2025-07-26T16:24:25Z) - 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) - A Counterfactual Safety Margin Perspective on the Scoring of Autonomous
Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。
本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文 参考訳（メタデータ） (2023-08-02T09:48:08Z) - Safe Deployment for Counterfactual Learning to Rank with Exposure-Based
Risk Minimization [63.93275508300137]
本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。
提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-26T15:54:23Z) - Addressing Inherent Uncertainty: Risk-Sensitive Behavior Generation for
Automated Driving using Distributional Reinforcement Learning [0.0]
自動運転車におけるリスク感応行動生成のための2段階のアプローチを提案する。
まず, 深層分布強化学習を用いて, 不確実な環境下で最適政策を学習する。
実行中は、確立されたリスク基準を適用して最適なリスク感受性行動を選択する。
論文 参考訳（メタデータ） (2021-02-05T11:45:12Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳（メタデータ） (2020-09-12T02:02:52Z)
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。