論文の概要: Data-Driven Risk Fields for Safer End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2609.10377v2
- Date: Thu, 10 Sep 2026 02:55:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 14:47:34.311091
- Title: Data-Driven Risk Fields for Safer End-to-End Autonomous Driving
- Title（参考訳）: エンド・ツー・エンド自動運転におけるデータ駆動型リスクフィールド
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 25.328788313918977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safety is a fundamental requirement for autonomous driving, yet existing end-to-end driving models still lack explicit risk-aware learning capacities. Existing rule-based risk models provide interpretable safety priors, yet their absolute risk scores depend on handcrafted functions, coefficients, and thresholds. Learning-based risk representations reduce part of this manual design, but their supervision often relies on occupancy-derived labels or heuristic cost values, which may not capture ego-conditioned planning risk. In this paper, we propose DRiF, a data-driven risk-field framework for safer end-to-end autonomous driving. DRiF learns a shared BEV feature with static map segmentation, dynamic risk prediction, and vehicle planning. For dynamic risk learning, DRiF converts rule-based safety priors into pairwise risk labels, and trains the risk field to preserve relative risk ordering instead of regressing handcrafted absolute scores. Experiments on Bench2Drive show that DRiF achieves competitive overall performance, with consistent improvements in driving score, success rate, and collision-related metrics. These results establish relative risk supervision as an effective way to connect explicit safety structure with end-to-end planning. The data and code will be publicly available.
- Abstract（参考訳）: 安全は自動運転の基本的な要件であるが、既存のエンドツーエンドの運転モデルには、依然として明確なリスク認識学習能力がない。
既存のルールベースのリスクモデルでは、解釈可能な安全性が優先されるが、その絶対リスクスコアは手作りの関数、係数、しきい値に依存する。
学習に基づくリスク表現は、この手動設計の一部を減らすが、その監督は、エゴ条件の計画リスクを捉えない、占有率に基づくラベルやヒューリスティックなコストの値に依存することが多い。
本稿では、より安全なエンドツーエンド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である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。
ダイナミックなリスク学習のために、DRiFはルールベースの安全性をペアのリスクラベルに変換し、手作りの絶対スコアを回帰するのではなく、相対的なリスク順序を維持するためにリスクフィールドをトレーニングする。
Bench2Driveの実験によると、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、競争全体のパフォーマンスを達成する。
これらの結果は、明確な安全構造とエンド・ツー・エンド・プランニングを結びつける効果的な方法として、相対的なリスク管理を確立している。
データとコードは公開されます。
関連論文リスト
- Comparison-Based Ordinal Learning for Proactive Driving Risk Assessment [18.28137177820341]
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。
論文 参考訳（メタデータ） (2026-07-13T06:05:17Z) - A Risk-Field Enhanced Closed-Loop Digital Twin Framework for Autonomous Driving Safety Validation [0.0]
本稿では,自律運転安全性検証のためのリスクFfeld拡張閉ループディジタルツインフレームワークを提案する。
このフレームワークは、物理データ取得、データ同期、仮想双対再構築、リスク認識シナリオ生成、自律運転アルゴリズム評価、安全分析を統合している。
この研究は、明示的なリスク構造をデジタル双生児に組み込むことで、自律運転検証をより標的にし、解釈し、再利用可能なものにすることができることを示唆している。
論文 参考訳（メタデータ） (2026-07-07T14:33:49Z) - 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) - 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) - Steering Externalities: Benign Activation Steering Unintentionally Increases Jailbreak Risk for Large Language Models [62.16655896700062]
活性化ステアリングは大規模言語モデル(LLM)の有用性を高める技術である
重要かつ過度に調査された安全リスクを無意識に導入することを示します。
実験によると、これらの介入は強制乗算器として機能し、ジェイルブレイクに新たな脆弱性を発生させ、標準ベンチマークで攻撃成功率を80%以上向上させる。
論文 参考訳（メタデータ） (2026-02-03T12:32:35Z) - AD-R1: Closed-Loop Reinforcement Learning for End-to-End Autonomous Driving with Impartial World Models [75.214287449744]
我々は,Impartial World Modelを中心に構築されたポストトレーニング政策改善のためのフレームワークを紹介する。
私たちの主な貢献は、このモデルに危険について正直であることを教えることです。
大規模な実験を通じて、我々のモデルは失敗を予測する上で、ベースラインを著しく上回っていることを実証する。
論文 参考訳（メタデータ） (2025-11-25T13:57:24Z) - Ethics-Aware Safe Reinforcement Learning for Rare-Event Risk Control in Interactive Urban Driving [1.2891210250935148]
倫理に配慮したコスト信号で標準駆動目標を増強する階層型セーフ強化学習フレームワークを提案する。
衝突確率と有害度を組み合わせた複合的倫理的リスクコストを用いて安全なRLエージェントを訓練し、高レベルな運動目標を生成する。
動的でリスクに敏感な優先順位付けエクスペリエンスメカニズムは、まれだがクリティカルでリスクの高いイベントからの学習を増幅する。
論文 参考訳（メタデータ） (2025-08-19T14:24:02Z) - Plan-R1: Safe and Feasible Trajectory Planning as Language Modeling [74.41886258801209]
本稿では,行動学習から原理的アライメントを分離する2段階の軌道計画フレームワークを提案する。
Plan-R1は計画の安全性と実現可能性を大幅に改善し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-05-23T09:22:19Z) - 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) - 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)
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。