論文の概要: Variance-Guided Spatial Attention Fusion for Robust End-to-End Driving under Asymmetric Sensor Degradation
- arxiv url: http://arxiv.org/abs/2608.24366v1
- Date: Tue, 25 Aug 2026 10:27:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.935602
- Title: Variance-Guided Spatial Attention Fusion for Robust End-to-End Driving under Asymmetric Sensor Degradation
- Title（参考訳）: 非対称センサ劣化下におけるロバストエンド・ツー・エンド駆動のための可変誘導型空間アテンション固定法
- Abstract要約: 本稿では,VG-SAF(Variance-Guided Space Attention Fusion)を提案する。
まず、物理的に接地されたオーグメンタは、代表カメラとLiDARの故障をシミュレートし、連続した空間マスクを放出する。
第2に、モダリティ特有の専門家は、ログ空間におけるクロスブランチ密度の蒸留を通じて、ピクセル当たりの信頼性のスケールを予測する。
第3に、キャリブレーションされた信頼性マップは、局所的な空間ゲートを持つ信頼できない細胞を抑圧するハイブリッドアテンション機構を駆動する。
- 参考スコア（独自算出の注目度）: 14.393656149682068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: End-to-end multimodal driving has progressed rapidly by fusing camera and LiDAR streams. Existing pipelines remain fragile under asymmetric sensor degradation, where either an entire modality or only a localized region is corrupted while other regions remain useful. The key difficulty is not simply to add an uncertainty head, but to obtain dense reliability supervision, calibrate this reliability against physical fault severity, and use it before unreliable features bias the planner. We propose Variance-Guided Spatial Attention Fusion (VG-SAF), in which dense heteroscedastic reliability estimates act as interpretable spatial gates. The framework couples three components. First, a physically grounded augmentor simulates representative camera and LiDAR failures and emits a continuous spatial mask, providing dense supervision without additional annotation. Second, modality-specific experts predict per-pixel reliability scales through cross-branch dense distillation in log space, enforcing a monotone severity-to-scale response. Third, calibrated reliability maps drive a hybrid attention mechanism that suppresses unreliable cells with a local spatial gate and arbitrates between modalities through a cross-modal trust softmax. A Laplace uncertainty head emits a systemic waypoint uncertainty scale that signals severe or combined sensor degradation, including severities outside the training ranges. On the CARLA Longest6 benchmark, VG-SAF consistently improves closed-loop robustness over the baselines across camera-only, LiDAR-only, and joint degradation regimes, as measured by driving score, route completion, and infraction score.
- Abstract（参考訳）: エンドツーエンドのマルチモーダル駆動は、カメラとLiDARストリームを融合させることで急速に進歩している。
既存のパイプラインは非対称なセンサ劣化の下でも脆弱であり、全てのモダリティまたは局所的な領域のみが破壊され、他の領域が有用である。
キーとなる困難は、単に不確実なヘッドを追加するのではなく、信頼性の高い監視を取得し、この信頼性を物理的欠陥重大度に対して調整し、信頼できない特徴がプランナーに偏る前に使用することである。
本稿では,高密度不整合性信頼度推定を解釈可能な空間ゲートとして機能する可変誘導空間注意融合(VG-SAF)を提案する。
フレームワークには3つのコンポーネントがある。
まず、物理的に接地された拡張器は、代表カメラとLiDARの故障をシミュレートし、連続した空間マスクを放出し、追加のアノテーションなしで密集した監視を提供する。
第二に、モダリティ特有の専門家は、対数空間におけるクロスブランチ密度の蒸留を通じて、単調な重大度からスケールの応答を強制することで、ピクセル当たりの信頼性のスケールを予測する。
第3に、キャリブレーションされた信頼性マップは、局所的な空間ゲートを持つ信頼できない細胞を抑えるハイブリッドアテンション機構を駆動し、モダリティ間の調停を行う。
Laplaceの不確実性ヘッドは、トレーニング範囲外の重大さを含む、重大または複合的なセンサー劣化を信号する、系統的なウェイポイント不確実性尺度を出力する。
CARLA Longest6ベンチマークでは、VG-SAFは、駆動スコア、経路完了、および屈折スコアによって測定されるように、カメラオンリー、LiDARオンリー、関節劣化レジーム間のベースラインに対する閉ループロバスト性を一貫して改善している。
関連論文リスト
- Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - RECO: Region-Aware Compensation for Extrinsic Perturbations in Roadside 3D Detection [13.05494342638977]
道路沿いの3D物体検出は、交通理解、協調早期警戒、安全な自動運転に不可欠な広域認識を提供する。
既存の方法は、カメラ外在物に対する高い感度に悩まされており、わずかな偏差でさえ射影幾何学によって増幅することができる。
部分的6-DoFポーズオフセットを用いて外因性を修正する地域対応外因性補償フレームワークRECOを提案する。
論文 参考訳（メタデータ） (2026-07-23T05:56:42Z) - Contrastive Learning for Seismic Horizon Tracking with Domain-Specific Priors [45.20665924864221]
本稿では,信号由来の局所地平線対応とテクスチャに基づく深層学習モデルの自己教師型融合を提案する。
ネットワークは、局所的な信号継続性を維持しながら、不連続性を超えた水平伝播を可能にするボクセルワイズ埋め込みを学習する。
論文 参考訳（メタデータ） (2026-06-15T06:19:47Z) - 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) - Uncertainty-Aware 3D Position Refinement for Multi-UAV Systems [0.3867363075280543]
本稿では, 無人航空機の局部推定値を, 近隣の共有状態サマリーやUAV間距離, 近接制約と組み合わせることで, 頑健性を向上する分散軽量な3次元位置補正層を提案する。
提案手法は, 冷間開始時の平均局所化誤差を著しく低減し, 局所推定器が安定化した後も競争力を保ち, 信頼のない核融合と比較して悪質ノードの割合が増加するにつれて, 低い誤差を保ち続けることを示す。
論文 参考訳（メタデータ） (2026-05-13T13:22:14Z) - Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。
EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。
最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文 参考訳（メタデータ） (2026-04-17T13:27:11Z) - DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。
我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。
この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
論文 参考訳（メタデータ） (2026-04-08T07:01:24Z) - Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。
我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。
並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
論文 参考訳（メタデータ） (2025-08-28T07:09:21Z) - Reliability-Driven LiDAR-Camera Fusion for Robust 3D Object Detection [0.0]
本稿では,鳥眼ビュー(BEV)空間で動作するLiDARカメラ融合フレームワークReliFusionを提案する。
ReliFusionは、Spatio-Temporal Feature Aggregation (STFA)モジュール、Reliabilityモジュール、Confidence-Weighted Mutual Cross-Attention (CW-MCA)モジュールという3つの重要なコンポーネントを統合している。
nuScenesデータセットの実験では、ReliFusionは最先端の手法よりも優れており、LiDARの視野に制限のあるシナリオにおいて、より優れた堅牢性と精度を実現している。
論文 参考訳（メタデータ） (2025-02-03T22:07:14Z) - ReliOcc: Towards Reliable Semantic Occupancy Prediction via Uncertainty Learning [26.369237406972577]
視覚中心のセマンティック占有予測は、自律運転において重要な役割を果たす。
カメラからのセマンティック占有率を予測するための信頼性を探求する研究は、まだ少ない。
本稿では,カメラによる占有ネットワークの信頼性向上を目的としたReliOccを提案する。
論文 参考訳（メタデータ） (2024-09-26T16:33:16Z) - Uncertainty-aware Unsupervised Multi-Object Tracking [33.53331700312752]
教師なしマルチオブジェクトトラッカーは、信頼できる機能埋め込みの学習に劣る。
最近の自己監督技術は採用されているが、時間的関係を捉えられなかった。
本稿では、不確実性問題は避けられないが、不確実性自体を活用して学習された一貫性を向上させることができると論じる。
論文 参考訳（メタデータ） (2023-07-28T09:03:06Z)
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。