論文の概要: Driving on Registers, Reasoning on Risk: Risk-Aware Occupancy for Register-Based End-to-End Autonomous Driving

• arxiv url: http://arxiv.org/abs/2609.21486v1
• Date: Fri, 18 Sep 2026 08:39:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.934437
• Title: Driving on Registers, Reasoning on Risk: Risk-Aware Occupancy for Register-Based End-to-End Autonomous Driving
• Title（参考訳）: レジスターの運転、リスクの推論:レジスターに基づくエンドツーエンド自動運転におけるリスク意識の取り組み
• Abstract要約: 本稿では,リスク認識による占領を高密度,時間的整合性,トラジェクトリ・クエリー可能な表現として導入するRRDriveを提案する。 グローバル構造は高品質なマルチモーダル生成を導くが、候補条件付きリスククエリはきめ細かい選択をサポートする。 RRDriveは0.951の選択された軌道PDMSを達成し、ベースライン(0.937)よりも1.5%改善し、平均的な候補PDMSを7.7%改善した。 挑戦的な場面では、候補PDMSを30.2%改善し、良い候補のスピアマン相関を0.41倍、0.26倍から0.67倍に向上させる。
• 参考スコア（独自算出の注目度）: 14.530837039057538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal trajectory prediction improves behavioral coverage in end-to-end autonomous driving, but existing methods remain limited by sparse scene representations. Incomplete evidence leads to low-quality candidate generation and unreliable ranking among geometrically similar trajectories. On a register-based baseline, bad and poor candidates constitute 19.74% of the candidate set, while the oracle-best candidate ranks only 33.9th on average. We propose RRDrive, which introduces risk-aware occupancy as a dense, temporally aligned, and trajectory-queryable representation. Its global structure guides high-quality multimodal generation, while candidate-conditioned risk queries support fine-grained selection. We further construct RiskOcc4D-NAVSIM with automatic risk annotations. RRDrive achieves a selected-trajectory PDMS of 0.951, representing a 1.5% relative improvement over the baseline (0.937), and improves the average candidate PDMS by 7.7%. In challenging scenes, it improves candidate PDMS by 30.2% and increases the Spearman correlation among good candidates by 0.41, from 0.26 to 0.67. To move beyond this oracle setting, we further develop an external RiskOcc predictor, a perception module that estimates risk-aware occupancy directly from sensor inputs. The competitive performance validates the representation's feasibility.
• Abstract（参考訳）: マルチモーダル軌道予測は、エンド・ツー・エンドの自動運転における行動カバレッジを改善するが、既存の手法はスパースシーン表現によって制限される。 不完全な証拠は、幾何学的に類似した軌道の中で、低品質な候補生成と信頼できないランクに繋がる。 登録ベースラインでは、悪い候補と悪い候補が19.74%を占めており、オラクル・ベスト候補は平均33.9位である。 本稿では,リスク認識による占領を高密度,時間的整合性,トラジェクトリ・クエリー可能な表現として導入するRRDriveを提案する。 グローバル構造は高品質なマルチモーダル生成を導くが、候補条件付きリスククエリはきめ細かい選択をサポートする。 さらに,自動リスクアノテーションを用いたリスクOcc4D-NAVSIMを構築した。 RRDriveは0.951の選択された軌道PDMSを達成し、ベースライン(0.937)よりも1.5%改善し、平均的な候補PDMSを7.7%改善した。 挑戦的な場面では、候補PDMSを30.2%改善し、良い候補のスピアマン相関を0.41倍、0.26倍から0.67倍に向上させる。 このオラクル設定を超えて、センサ入力から直接リスク認識の占有を推定する知覚モジュールである、外部のリスクOcc予測器を開発する。 競争性能は、表現の可能性を検証する。

関連論文リスト

• CorrRisk-WM: Corridor-Conditioned Risk World Modeling for Safety-Critical Trajectory Planning [1.4732811715354455]
  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。
  論文  参考訳（メタデータ） (2026-09-15T06:56:08Z)
• 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)
• Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
  エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。 Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。 すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
  論文  参考訳（メタデータ） (2026-04-07T17:43:18Z)
• ADV-0: Closed-Loop Min-Max Adversarial Training for Long-Tail Robustness in Autonomous Driving [63.980630608984605]
  本稿では、ゼロサムマルコフゲームとして、駆動ポリシー(ディフェンダー)と敵エージェント(アタックラー)の相互作用を扱うクローズドループのmin-max最適化フレームワークであるADV-0を提案する。 これを実現するため,我々は動的敵の進化を反復的な選好学習とし,この最適性を効率的に近似し,アルゴリズムに依存しない解をゲームに提供する。 実験により、多様な安全クリティカルな障害を効果的に露呈し、学習方針と運動プランナーの両方の一般化可能性を大幅に向上させることが示されている。
  論文  参考訳（メタデータ） (2026-03-16T12:58:31Z)
• DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
  本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。 DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。 アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
  論文  参考訳（メタデータ） (2026-03-09T09:21:29Z)
• 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)
• DriveSuprim: Towards Precise Trajectory Selection for End-to-End Planning [43.284391163049236]
  DriveSuprimは、自動運転車の軌道選択のための選択に基づくパラダイムである。 衝突回避や規則の遵守など、最先端のパフォーマンスを実現する。 様々な運転シナリオにおいて高い軌道品質を維持する。
  論文  参考訳（メタデータ） (2025-06-07T04:39:06Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)

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。