論文の概要: VAST: V2X/Dynamic Map-Aware Autonomous Driving Systems Validation Toolchain

• arxiv url: http://arxiv.org/abs/2609.19681v1
• Date: Thu, 17 Sep 2026 04:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.100127
• Title: VAST: V2X/Dynamic Map-Aware Autonomous Driving Systems Validation Toolchain
• Title（参考訳）: VAST: V2X/Dynamic Map-Aware autonomous Driving Systems Validation Toolchain
• Abstract要約: VASTは、Scanic、Scanario Simulator v2、AWSIM、Autoware、SIM-LDMを接続するV2X/Dynamic Map-awareバリデーションツールチェーンである。 Lanelet2-to-Scenicマッピング、SS2によるROS2ベースのコシミュレーション、AutowareへのDynamic Mapオブジェクトインジェクション、TTC、PET、衝突、タイムアウト、パフォーマンス測定などの相互運用性上の課題に対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cooperative autonomous driving in the IoT-to-Edge-to-Cloud continuum requires system-level validation across vehicles, infrastructure sensors, edge-side Dynamic Map services, and in-vehicle autonomous-driving stacks. This paper presents VAST, a V2X/Dynamic Map-aware validation toolchain that connects Scenic, Scenario Simulator v2, AWSIM, Autoware, and SIM-LDM. VAST does not introduce a new search algorithm; instead, it addresses interoperability challenges, including Lanelet2-to-Scenic mapping, ROS 2-based co-simulation through SS2, Dynamic Map object injection into Autoware, and collection of TTC, PET, collision, timeout, and performance measurements. In occluded-intersection scenarios, Lanelet2-compatible constrained sampling increases the edge-case discovery rate from 40.0% to 80.0% and reduces the average time per discovered edge case from 259.7 s to 110.4 s. Under the same generated scenario distribution, Dynamic Map availability reduces the collision rate from 78.0% to 40.0% and increases non-collision outcomes from 22.0% to 60.0%, with statistically significant TTC/PET shifts. A throughput study with 1-16 NPCs shows that sampling remains below 0.1 s, whereas AWSIM/Autoware execution and restart overhead dominate runtime. These results position VAST as a practical validation infrastructure for cooperative autonomous-driving CPSs.
• Abstract（参考訳）: IoT-to-Edge-to-Cloud連続体における協調的な自動運転は、車両、インフラストラクチャセンサー、エッジサイドのダイナミックマップサービス、車内自動運転スタック間のシステムレベルの検証を必要とする。 本稿では、Scenic、Scenario Simulator v2、AWSIM、Autoware、SIM-LDMを接続するV2X/Dynamic Map対応検証ツールチェーンであるVASTを提案する。 代わりに、Lanelet2-to-Scenicマッピング、SS2によるROS2ベースのコシミュレーション、AutowareへのDynamic Mapオブジェクト注入、TTC、PET、衝突、タイムアウト、パフォーマンス測定などの相互運用性の問題に対処する。 閉塞断面積では、Lanelet2互換の制約サンプリングにより、エッジケースの発見率は40.0%から80.0%に増加し、発見されたエッジケースあたりの平均時間は259.7秒から110.4秒に減少する。 同じシナリオ分布の下で、Dynamic Mapの可用性は衝突速度を78.0%から40.0%に下げ、非衝突の結果を22.0%から60.0%に増加させ、統計的に有意なTTC/PETシフトを発生させる。 1-16のNPCによるスループット調査によると、サンプリングは0.1秒未満で、AWSIM/Autowareの実行と再起動がランタイムを支配している。 これらの結果から,VASTを協調運転型CPSの実用的検証基盤として位置づけた。

関連論文リスト

• VIPS: Vehicle-Infrastructure Cooperative Planning Benchmark via Pseudo-Simulation [50.18051979020699]
  VIPSは擬似シミュレーションに基づくV2I設定における協調自動運転のベンチマークである。 CoS-V2Xはスパース表現に基づく協調計画フレームワークである。
  論文  参考訳（メタデータ） (2026-09-02T11:32:52Z)
• MotoSafety: Edge-AI with Learned Temporal Importance for Two-Wheeler Collision Risk Assessment Under Time Pressure [0.8272083537040181]
  我々は、Learned Temporal Importance(LTI)の概念に基づいて構築された新しいエッジAIフレームワークであるMotoSafetyを紹介する。 MotoSafetyは94.97%の精度と99.33%のOC AUCを達成し、10のベースラインを上回っている。 この軽量なフレームワークはPTW衝突リスク評価を推進し、インテリジェントトランスポーテーションシステムのためのセーフシステムアプローチをサポートする。
  論文  参考訳（メタデータ） (2026-08-18T14:21:50Z)
• SevDiff: Severity-Conditioned Diffusion for Long-Tail Conflict Trajectory Generation [0.0]
  本稿では、重度条件付きdenoising diffusion probabilistic model(DDPM)であるSevDiffを紹介する。 衝突の重大度が要求と一致し、ヒットレートメトリックで評価された、ペア化された車両の相互作用軌跡を生成する。 TTCで0.5-1.5秒、2.0-2.5秒で97-99%、TTC = 5.0秒で39%と優雅に劣化する。
  論文  参考訳（メタデータ） (2026-07-13T22:17:48Z)
• Characterizing AI-Assisted Bot Traffic in Darknet Data: Implications for ICS and IIoT Security [0.0]
  自動スキャンツールとAI支援偵察エージェントの台頭は、インターネットの背景トラフィックパターンを大きく変えた。 本稿では,2021年から2025年にかけての1億9200万個の受動ダークネットパケットの時系列データセットをMerit ORION Network Telescopeから解析することにより,自動ボットトラフィックの進化を特徴付ける。
  論文  参考訳（メタデータ） (2026-05-14T00:07:20Z)
• Cybersecurity-Focused Anomaly Detection in Connected Autonomous Vehicles Using Machine Learning [4.800738030285873]
  連結自動運転車(CAV)の異常検出は、安全で信頼性の高い輸送ネットワークを維持するために不可欠である。 本研究では、車両の挙動をシミュレートし、典型的および非典型的な車両間の相互作用を表すデータセットを生成する異常検出手法について検討する。 機械学習モデルを用いて、異常運転パターンを効果的に同定する。
  論文  参考訳（メタデータ） (2025-06-28T19:11:19Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)

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。