論文の概要: From Operational Design Domain to Action: A Systematic Behavioral Taxonomy for Autonomous Driving
- arxiv url: http://arxiv.org/abs/2608.08941v1
- Date: Sun, 09 Aug 2026 22:35:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.000059
- Title: From Operational Design Domain to Action: A Systematic Behavioral Taxonomy for Autonomous Driving
- Title（参考訳）: 運転デザインから行動へ:自律運転のための系統的行動分類学
- Abstract要約: オペレーションデザインドメイン(ODD)仕様は、自動運転システム(ADS)の動作が許可されている場所を記述している。
彼らは、ADSがそのドメイン内に一度デプロイされた時に明らかにすべきことを規定していない。
本稿では,3つの運用領域にまたがる21の行動能力の,構造化された標準的分類法を提案する。
- 参考スコア（独自算出の注目度）: 0.1390311627586184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Operational Design Domain (ODD) specifications describe where an automated driving system (ADS) is permitted to operate, but they do not prescribe what the ADS must demonstrably do once deployed within that domain. This gap between operating condition specification and behavioral validation represents a critical unresolved challenge in ADS safety assurance. This paper presents a structured, standards-grounded taxonomy of 21 behavioral competencies organized across three operational domains-Highway (HWY), Urban (URB), and Hub (HUB)-derived systematically from the PEGASUS six-layer model-based ODD. Each behavior is decomposed along longitudinal and lateral control axes and characterized against a four-property framework: Safety (gap maintenance, conflict avoidance, kinematic stability), Compliance (legal rules and behavioral norms), Comfort (rider dynamics and trust), and Efficiency (mission completion and product-level metrics). We further demonstrate that the crossing of ODD layer parameterizations with behavioral competency specifications yields concrete scenario families suitable for systematic behavioral testing and SOTIF coverage evidence. The taxonomy is grounded in AVSC00008202111, SAE J3237, and SAE J3016, and is validated as an operational specification layer through its deployment in a rule-enforced trajectory optimization system. The Hub domain is identified as a structurally distinct, underspecified domain warranting dedicated research attention.
- Abstract（参考訳）: オペレーションデザインドメイン(ODD)仕様では、自動運転システム(ADS)の動作が許可されている場所を記述している。
この動作条件仕様と行動検証のギャップは、ADSの安全性保証において重要な未解決課題である。
本稿では,PEGASUS 6層モデルに基づくODDから,HWY(Highway),Urban(URB),Hub(HUB)の3つの運用領域にまたがる21の行動能力の構造化された標準的分類法を提案する。
安全(ギャップの維持、紛争回避、運動安定)、コンプライアンス(法則と行動規範)、快適(ライダーのダイナミクスと信頼)、効率(ミッション完了と製品レベルのメトリクス)である。
さらに,ODD層パラメタライゼーションと行動能力仕様の交差が,系統的行動検査やSOTIFカバレッジ証拠に適した具体的なシナリオファミリを生み出すことを実証した。
分類は AVSC00008202111、SAE J3237、SAE J3016 に基礎を置いており、ルール強化軌道最適化システムへの展開を通じて運用仕様層として検証されている。
ハブドメインは構造的に異なる、特定されていないドメインとして特定されており、専用の研究の注意を払っている。
関連論文リスト
- Formal Verification of Agentic Systems over Operational Data [59.98246281888422]
大規模言語モデル(LLM)によって駆動されるエージェントシステムは、永続的な運用データを扱う現実世界にますます展開されている。
既存のアプローチはそのようなシステムレベルの保証を提供していません。
本稿では, 1 つの LLM とツールオーケストレーションハーネスからなるエージェントシステムのリレーショナル操作データに対する検証について述べる。
論文 参考訳（メタデータ） (2026-08-04T13:01:30Z) - End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation [59.188006170485046]
E2E-CDiffは、制御可能で現実的なシナリオ生成のためのエンドツーエンドの条件拡散フレームワークである。
微分可能な誘導は速度を規制し、乾燥可能な領域のコンプライアンスを強制し、衝突回避や衝突回避行動をサポートする。
E2E-CDiffは、学習ベースのエゴプランナーとしても競争力がある。
論文 参考訳（メタデータ） (2026-07-21T02:13:25Z) - Operating Within the Operational Design Domain: Zero-Shot Perception with Vision-Language Models [1.462945824459286]
視覚言語モデル(VLM)は視覚認識と言語推論を統合し、タスク固有のトレーニングデータなしで機能する。
本研究は, 安全クリティカルなアプリケーションにおいて, 透過的かつ効果的なODDに基づく認識の道を開くものである。
論文 参考訳（メタデータ） (2026-05-08T12:17:56Z) - Agentic Problem Frames: A Systematic Approach to Engineering Reliable Domain Agents [0.0]
大きな言語モデル(LLM)は、自律的なエージェントへと進化していますが、現在の"フレームワークレス"な開発は、あいまいな自然言語に基づいています。
本研究では,内部モデルインテリジェンスからエージェントと環境間の構造的相互作用に焦点を移すシステム工学フレームワークであるエージェント問題フレーム(APF)を提案する。
論文 参考訳（メタデータ） (2026-02-22T06:32:32Z) - The Why Behind the Action: Unveiling Internal Drivers via Agentic Attribution [63.61358761489141]
LLM(Large Language Model)ベースのエージェントは、カスタマーサービス、Webナビゲーション、ソフトウェアエンジニアリングといった現実世界のアプリケーションで広く使われている。
本稿では,タスク結果に関係なく,エージェントの動作を駆動する内部要因を識別する,テキスト汎用エージェント属性のための新しいフレームワークを提案する。
標準ツールの使用やメモリ誘起バイアスのような微妙な信頼性リスクなど、さまざまなエージェントシナリオでフレームワークを検証する。
論文 参考訳（メタデータ） (2026-01-21T15:22:21Z) - Incremental Validation of Automated Driving Functions using Generic Volumes in Micro- Operational Design Domains [0.0]
本稿では,操作設計領域(ODD)を管理可能なセクションに分割し,抽象オブジェクト表現を用いてテストケースを抽出する構造的手法を提案する。
障害物は様々な大きさの一般的な立方体として表現され、知覚性能を評価するためのシンプルで堅牢な手段を提供する。
その結果、障害物検出におけるエッジケースを体系的に探索し、認識品質を評価する方法が示された。
論文 参考訳（メタデータ） (2025-12-12T07:59:58Z) - Event-Chain Analysis for Automated Driving and ADAS Systems: Ensuring Safety and Meeting Regulatory Timing Requirements [0.0]
本稿ではイベント・チェーン・モデリングに基づく構造化されたホワイトボックス手法を提案する。
Black-Boxのアプローチとは異なり、Event-Chain Analysisは各機能コンポーネントのタイミング動作について透過的な洞察を提供する。
本手法は、エンドツーエンドのタイミング制約の導出、モデル化、検証を可能にする。
論文 参考訳（メタデータ） (2025-11-22T15:22:05Z) - ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。
現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。
本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
論文 参考訳（メタデータ） (2025-08-19T12:13:41Z) - An Ontology-based Approach Towards Traceable Behavior Specifications in Automated Driving [0.0]
本稿では,自動走行システム搭載車両の動作を特定する手法として,セマンティックノーム行動解析を提案する。
対象とする運用環境の特定行動を形式的に表現し、特定行動とステークホルダーのニーズの間のトレーサビリティを確立するために使用します。
評価の結果,行動仕様における仮定の明示的な文書化は,仕様の不備の特定と治療の両立を支えていることが明らかとなった。
論文 参考訳（メタデータ） (2024-09-10T16:00:22Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement [79.2994130944482]
本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。
DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
論文 参考訳（メタデータ） (2022-01-06T05:43:01Z) - Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain
Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。
本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。
提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文 参考訳（メタデータ） (2020-12-08T08:52:00Z)
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。