論文の概要: Risk-Aware Occupancy for Safety-Oriented End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2609.21470v1
• Date: Fri, 18 Sep 2026 08:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.931784
• Title: Risk-Aware Occupancy for Safety-Oriented End-to-End Autonomous Driving
• Title（参考訳）: 安全指向型エンド・ツー・エンド自動運転におけるリスク意識の活用
• Abstract要約: 本稿では,計画関連リスクを特徴付けるために,リスク対応の密接な表現を提案する。 リスクを意識した占有率は、UniADの基準で52.9%、 nuScenesのST-P3の基準で35.0%である。
• 参考スコア（独自算出の注目度）: 14.208807155399962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse representation formulates the environment perception for the end-to-end driving system as a set of discrete elements like objects and lane lines. This formulation meets safety risks in crowded, occluded scenes dealing with unstructured obstacles, uncertain regions, and intricate interactions. In this paper, we propose a dense representation, risk-aware occupancy, to characterize planning-relevant risks in an explicit and uniform manner. It jointly encodes global scene occupancy, map-derived traffic constraints, and future dynamic agent occupancy into a unified BEV map. The unified BEV map captures the risk evidence for trajectory planning in both spatial and temporal dimensions. We design an E2E network, ROIDrive, to realize risk-aware occupancy. It predicts risk-aware occupancy with an independent branch and injects it into planning queries for safety-oriented trajectory generation. In addition, to quantify the safety problem, we introduce RiskOcc4D-nuScenes built upon nuscenes and occ3d-nuscenes. Our risk-aware occupancy yields relative open-loop collision reductions of 52.9% under the UniAD metric and 35.0% under the ST-P3 metric on nuScenes.
• Abstract（参考訳）: スパース表現は、オブジェクトやレーンラインのような独立した要素の集合として、エンドツーエンドの駆動システムに対する環境認識を定式化する。 この定式化は、非構造的障害、不確実な地域、複雑な相互作用を扱う密集した閉鎖されたシーンにおける安全性のリスクを満たす。 本稿では,計画関連リスクを明示的かつ均一に特徴付けるために,リスク対応の密接な表現を提案する。 グローバルなシーン占有、マップ由来のトラフィック制約、将来のダイナミックエージェント占有を統合されたBEVマップに共同でエンコードする。 統合されたBEVマップは、空間次元と時間次元の両方における軌道計画のリスクエビデンスをキャプチャする。 E2EネットワークであるROIDriveを設計し、リスク認識の占有を実現する。 独立したブランチによるリスク認識の占有を予測し、安全指向の軌道生成のための計画クエリに注入する。 また,安全性問題を定量化するために,nuscenesとocc3d-nuscenes上に構築された RiskOcc4D-nuScenes を紹介する。 我々のリスクを意識した占有率は、UniADの52.9%と、ST-P3の35.0%と相対的なオープンループ衝突の減少をもたらす。

関連論文リスト

• Risk-Aware World Modeling with Flow-Guided Occupancy Evolution for Selective Trajectory Planning in Automated Driving [8.131595330708242]
  RiskWorldは、共有占有率予測と選択軌道置換のためのリスク対応の世界モデリングフレームワークである。 1つの予測は計画ステップ毎に生成され、候補間で再利用される。 設定内アブレーションは、リスクワールドが現在のリスコリングベースラインよりも低い衝突率を達成することを示している。
  論文  参考訳（メタデータ） (2026-09-16T10:32:37Z)
• A knowledge-augmented dataset of high-risk driving scenarios with LLM annotations for autonomous driving [9.113712739147317]
  K-Riskは、構造化された運転軌跡と、安全クリティカルな運転シナリオのための大きな言語モデル生成セマンティックアノテーションを組み合わせた知識拡張データセットである。 統合されたリスク中心抽出パイプラインを使用して、K-Riskは31,398のハイリスクイベントと1,036の極端に衝突するケースをキュレートする。
  論文  参考訳（メタデータ） (2026-07-08T07:39:21Z)
• From Cues to Horizons: Dynamic Risk Horizon Profiling for Trajectory Prediction [2.014349431451644]
  本稿では,リスクを考慮した軌道予測のための連続学習可能なポテンシャル場モデルを組み込んだリスク地平面プロファイリング(RHP)モジュールを提案する。 モジュールは周囲の物体の空間的時間的近接を計算し、将来の地平線を横切るリスク分布をプロファイルする。 基準法と比較して,本フレームワークは高Dデータセット上での5s RMSEの25.0%削減,SHRP2上での5s minFDEの29.1%削減を実現している。
  論文  参考訳（メタデータ） (2026-05-30T19:17:24Z)
• 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)
• Not All Agents Matter: From Global Attention Dilution to Risk-Prioritized Game Planning [25.76823959882692]
  リスク対応ゲームプランニングの概念を導入し,リスク対応ゲーム問題としてエンド・ツー・エンドの自律運転をモデル化する新しいフレームワークであるGameADを提案する。 また、安全な自動運転のための長い地平線上での計画軌道の累積リスク強度を定量化する計画リスク露光指標を提案する。
  論文  参考訳（メタデータ） (2026-04-07T05:33:54Z)
• Risk Estimation for Automated Driving [0.9376581451563295]
  自動運転では、リスクは2つの側面によって特徴づけられる。 不確実性は一般的に、衝突に近い事象の危険をゼロにする。 既存のアプローチでは、経験的モデリングや厳密な近似に頼ってリスクを計算する。 本稿では,衝突確率推定の最近の進歩と衝突重大度の概念を組み合わせて,正確なリスク推定のための一般的な手法を開発する。
  論文  参考訳（メタデータ） (2026-01-21T14:14:50Z)
• 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)
• AGENTSAFE: Benchmarking the Safety of Embodied Agents on Hazardous Instructions [64.85086226439954]
  本稿では,有害な指示に対するVLMエージェントの安全性を評価するためのベンチマークであるSAFEを提案する。 SAFEは、SAFE−THOR、SAFE−VERSE、SAFE−DIAGNOSEの3つの成分からなる。 我々は、ハザード認識を安全な計画と実行に翻訳する体系的な失敗を明らかにする。
  論文  参考訳（メタデータ） (2025-06-17T16:37:35Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。