論文の概要: CorrRisk-WM: Corridor-Conditioned Risk World Modeling for Safety-Critical Trajectory Planning
- arxiv url: http://arxiv.org/abs/2609.16724v2
- Date: Wed, 16 Sep 2026 01:32:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.432715
- Title: CorrRisk-WM: Corridor-Conditioned Risk World Modeling for Safety-Critical Trajectory Planning
- Title（参考訳）: CorrRisk-WM:Corridor-Conditioned Risk World Modeling for Safety-Critical Trajectory Planning
- Abstract要約: CorrRisk-WMは計画指向の部分的世界モデル結合環境の進化であり、教師付き侵入とニアミス予測を伴う。
100個のシャードから29,176個のシナリオで、CorrRisk-WMは0.8567の侵入平均精度(AP)と0.8671の1m近距離1エントリーAPを達成している。
- 参考スコア（独自算出の注目度）: 1.4732811715354455
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safe local planning requires forecasting surrounding-agent motion and evaluating candidate-specific risks, since identical agent motion can pose different risks to different ego trajectories. We present CorrRisk-WM, a planning-oriented partial world model coupling environment evolution with supervised intrusion and near-miss prediction over bounded candidate-trajectory corridors. A latent environment model recursively predicts agent states and updates agent-agent and agent-map interactions. Each candidate queries the evolving environment through footprint- aware geometry and learned agent-corridor representations. A lightweight recurrent risk module uses temporal context to estimate per-slice hazards; survival aggregation yields first-entry and horizon-level event probabilities. On 29,176 scenarios from 100 Waymo validation shards, CorrRisk-WM achieves intrusion average precision (AP) of 0.8567 and 1-m near-miss first-entry AP of 0.8671. In baseline comparisons, it attains the highest near-miss AP at all three distance thresholds and the lowest observed open-loop collision rate (4.88%), with route progress of 15.35 m. Across three seeds, removing dynamic environment modeling or candidate-conditioned geometric interaction reduces mean intrusion AP from 0.8590 to 0.7624 and 0.7252, respectively. These results support coupling environment evolution with candidate-conditioned geometric reasoning for risk prediction and safety-oriented candidate selection.
- Abstract（参考訳）: 同一のエージェントの動きが異なるエゴ軌道に異なるリスクをもたらす可能性があるため、安全なローカルプランニングでは、周囲のエージェントの動きを予測し、候補固有のリスクを評価する必要がある。
本稿では,計画指向の部分的世界モデル結合環境の進化であるCorrRisk-WMについて述べる。
潜時環境モデルはエージェントの状態を再帰的に予測し、エージェントエージェントとエージェントマップの相互作用を更新する。
各候補は、フットプリントを意識した幾何学と学習されたエージェント・コリドール表現を通じて進化する環境を問う。
軽量のリカレントリスクモジュールは、時間的コンテキストを用いてスライス毎のハザードを推定する。
Waymoの100の検証シャードから29,176のシナリオで、CorrRisk-WMは0.8567の侵入平均精度(AP)と0.8671の近距離ファーストエントリーAP(AP)を達成する。
ベースライン比較では、3つの距離のしきい値で最も高い近距離APと観測された最も低い開ループ衝突速度(4.88%)を達成し、経路の進行は15.35mである。
3つの種にまたがって、動的環境モデリングや候補条件の幾何相互作用を除去することで、平均侵入APをそれぞれ0.8590から0.7624と0.7252に減少させる。
これらの結果は、リスク予測と安全指向の候補選択のための候補条件付き幾何推論との結合環境の進化を支援する。
関連論文リスト
- OpenART: Scaling Agent Red Teaming via Open-Ended Environment Evolution [71.06848799741152]
AIエージェントは、初期状態の変化が将来的な決定に影響を与える可能性のある永続的な環境で動作する。
現在の安全ベンチマークは、短い静的タスクにフォーカスするため、累積的なリスクを捕捉できないことが多い。
環境の進化を通じて、スケーラブルなエージェントレッドチームのためのオープンなアリーナであるOpenARTを紹介します。
論文 参考訳（メタデータ） (2026-08-01T13:51:55Z) - HERMES: Heterogeneous Edge-Relational Multi-Head Embedded SSM Attention for Traffic Conflict Prediction at Signalized Intersections [1.2123876307427102]
本研究では,時間的ヘテロジニアスなシーングラフ分類として,交通コンフリクトの評価を定式化する。
車両と歩行者は異質なノードとして表現され、車両と歩行者、歩行者と歩行者の相互作用は関係固有のエッジとしてエンコードされる。
信号化都市交差点から109,028個の軌道由来配列を用いてハーメスの評価を行った。
論文 参考訳（メタデータ） (2026-07-02T20:37:08Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Can Attribution Predict Risk? From Multi-View Attribution to Planning Risk Signals in End-to-End Autonomous Driving [51.726472686971896]
エンド・ツー・エンドの自律運転モデルは、多視点入力から将来の軌跡を生成する。
既存の手法では、軌道生成の根底にある視覚的証拠を明らかにすることができない。
エンド・ツー・エンド・プランニングのための階層的属性・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-07T13:38:18Z) - ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。
そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。
また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
論文 参考訳（メタデータ） (2026-02-05T05:45:16Z) - Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。
マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
論文 参考訳（メタデータ） (2025-11-25T05:57:29Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - Predictive Collision Management for Time and Risk Dependent Path
Planning [1.516865739526702]
我々は,PCMP(Predictive Collision Management Path Planning)と呼ばれる手法を提案する。
PCMPは、移動予測、移動予測の時間依存グラフへの統合、時間とリスクに依存した経路計画という3つの部分からなる時間次元に着目したグラフベースのアルゴリズムである。
その結果, 衝突シナリオの47.3%を回避できると同時に, 1.3%の遠回りを行ない, リスクに敏感なエージェントが回避できることが示唆された。
論文 参考訳（メタデータ） (2020-11-26T14:15:54Z) - Fast Risk Assessment for Autonomous Vehicles Using Learned Models of
Agent Futures [10.358493658420173]
本稿では,自動走行車における軌道のリスクを評価するために,高速な非サンプリング方式を提案する。
提案手法はガウス混合モデルと非ガウス混合モデルの両方を含む不確実な予測に対する幅広い表現に対処する。
提案手法は、ArgoverseデータセットとCARLAデータセットでトレーニングされたプロパゲートからの現実的な予測に基づいて実証される。
論文 参考訳（メタデータ） (2020-05-27T16:16:36Z)
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。