論文の概要: Risk-Aware Decision-Making for Autonomous Overtaking: A World Model-Based Mixture-of-Experts Framework

• arxiv url: http://arxiv.org/abs/2609.00385v1
• Date: Tue, 14 Jul 2026 01:42:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.427747
• Title: Risk-Aware Decision-Making for Autonomous Overtaking: A World Model-Based Mixture-of-Experts Framework
• Title（参考訳）: 自律的達成のためのリスク対応意思決定:世界モデルに基づくMixture-of-Expertsフレームワーク
• Abstract要約: WM-RMoEフレームワークは,多種多様な交通密度の予測オーバーテイクを実現するために提案されている。 実験結果から,WM-RMoEは,安全コンプライアンス,意思決定安定性,一般化能力において,代表ベースラインを著しく上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 33.77529938530246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous highway overtaking demands foresighted decision-making to handle complex interactions, stochastic traffic evolution, and temporal risk accumulation. However, standard safe reinforcement learning approaches typically rely on implicit value-based risk estimations rather than explicit dynamics modeling, thereby struggling to accurately capture complex risk propagation over multi-step horizons. This limitation frequently results in behaviors that are locally safe but induce substantial latent risks in the long term. To address this, a World Model-based Risk-aware Mixture-of-Experts (WM-RMoE) framework is proposed. First, a learned latent dynamics model facilitates parallel multi-step rollouts, elevating safety assessment from the action level to the trajectory level via cumulative risk evaluation. Second, to enhance robustness under varying interaction intensities, a hierarchical gating mechanism dynamically coordinates experts across long-horizon, short-horizon, and rule-based safety modules. Furthermore, a Gaussian Mixture Model is integrated to preserve multimodal maneuvering branches, thereby mitigating the issue of behavioral mode averaging. Experimental results demonstrate that WM-RMoE significantly outperforms representative baselines in terms of safety compliance, decision stability, and generalization capability. Furthermore, benefiting from the risk-aware formulation, the proposed framework uniquely exhibits the ability to generate foresighted and semantically distinct overtaking maneuvers across diverse traffic densities.
• Abstract（参考訳）: 高速道路は複雑な相互作用、確率論的交通の進化、時間的リスク蓄積を扱うための意思決定を目論んでいる。 しかし、標準的な安全強化学習アプローチは、明示的なダイナミックスモデリングよりも暗黙的な値に基づくリスク推定に頼っているため、多段階の地平線上の複雑なリスク伝搬を正確に捉えるのに苦労する。 この制限はしばしば局所的に安全であるが、長期的には重大な潜伏リスクを引き起こす行動を引き起こす。 これを解決するために、WM-RMoE(World Model-based Risk-aware Mixture-of-Experts)フレームワークを提案する。 まず、学習された潜在力学モデルにより、並列多段階ロールアウトが容易になり、累積リスク評価により、行動レベルから軌道レベルへの安全性評価が上昇する。 第二に、異なる相互作用強度の下で堅牢性を高めるために、階層的ゲーティング機構は、長水平、短水平、および規則に基づく安全モジュール間で専門家を動的に調整する。 さらに、ガウス混合モデルが統合され、マルチモーダルな操作枝を保存し、行動モード平均化の問題を緩和する。 実験結果から,WM-RMoEは,安全コンプライアンス,意思決定安定性,一般化能力において,代表ベースラインを著しく上回っていることがわかった。 さらに、リスク認識の定式化の恩恵を受け、提案フレームワークは、様々な交通密度をまたいだ予測的かつ意味的に異なる操作を生成する能力を独自に示している。

関連論文リスト

• Behavioural Signatures of Risk-Sensitive Decision-Making in Large Language Models [121.70781851874035]
  大規模言語モデル(LLM)は、意思決定支援にますます使われている。 不確実性の下での選択が安定かつ解釈可能な行動規則性を示すかどうかを理解することが重要である。 本稿では,無制限テキサスホールドエムに基づく制御型マルチモデルフレームワークを用いて,この問題について検討する。
  論文  参考訳（メタデータ） (2026-07-11T10:33:39Z)
• Reinforcement Learning for Risk Adaptation via Differentiable CVaR Barrier Functions [14.67494440368097]
  障害物運動の不確実性下での群集ナビゲーションのためのエンドツーエンドのリスク適応フレームワークを提案する。 このフレームワークは強化学習(RL)と微分可能な二次プログラム安全層を組み合わせたものである。 提案手法は, 不確実性下での安全性, 効率, 一般化において, 最強の総合性能を実現するものである。
  論文  参考訳（メタデータ） (2026-05-20T14:45:15Z)
• Risk-Aware World Model Predictive Control for Generalizable End-to-End Autonomous Driving [82.69496624372944]
  「専門家のように運転するのが普通」は限定的な一般化に苦しむ。 E2E-ADシステムは専門家の行動監督なしに信頼できる判断を下せるか? 本稿では,リスクを意識した世界モデル予測制御という統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T17:32:30Z)
• Self-Guard: Defending Large Reasoning Models via enhanced self-reflection [54.775612141528164]
  Self-Guardは、大規模推論モデルのための軽量な安全防御フレームワークである。 これは認識とコンプライアンスのギャップを埋め、モデルユーティリティを損なうことなく堅牢な安全性能を達成する。 セルフガードは、さまざまな未知のリスクとさまざまなモデルスケールにまたがる強力な一般化を示す。
  論文  参考訳（メタデータ） (2026-01-31T13:06:11Z)
• 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)
• 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)
• Understanding Driver Cognition and Decision-Making Behaviors in High-Risk Scenarios: A Drift Diffusion Perspective [20.184300244352286]
  本稿では,運転行動の個人差と共通点を統合する認知決定フレームワークを提案する。 ドリフト拡散モデルに基づく認知的意思決定モデルを導入し、リスクの高い環境での一般的な意思決定メカニズムを捉える。 提案モデルでは,緊急時の認知反応と意思決定行動を正確に予測する。
  論文  参考訳（メタデータ） (2025-03-16T20:11:22Z)
• A Formal Framework for Assessing and Mitigating Emergent Security Risks in Generative AI Models: Bridging Theory and Dynamic Risk Mitigation [0.3413711585591077]
  大規模言語モデル(LLM)や拡散モデルを含む生成AIシステムが急速に進歩するにつれ、その採用が増加し、新たな複雑なセキュリティリスクがもたらされた。 本稿では,これらの突発的なセキュリティリスクを分類・緩和するための新しい形式的枠組みを提案する。 我々は、潜時空間利用、マルチモーダル・クロスアタック・ベクター、フィードバックループによるモデル劣化など、未探索のリスクを特定した。
  論文  参考訳（メタデータ） (2024-10-15T02:51:32Z)
• Risk-Averse Reinforcement Learning via Dynamic Time-Consistent Risk Measures [10.221369785560785]
  本稿では,マルコフ決定過程(MDP)における報酬列の動的リスクを最大化する問題について考察する。 予測と条件付きリスクリスク(CVaR)の凸結合を特別な一段階の条件付きリスク尺度として用いて、我々は、リスク回避型MDPを、強化されたアクション空間を持つリスク中立型として再構成し、即時報酬の操作を行う。 本研究は,リスク・アバース・セッティングが分散を低減し,その結果のロバスト性を高めることを示唆するものである。
  論文  参考訳（メタデータ） (2023-01-14T21:43:18Z)
• 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。