Fugu-MT 論文翻訳(概要): Localized Conformal Safety Monitoring with Vision-Language Models for Autonomous Driving

論文の概要: Localized Conformal Safety Monitoring with Vision-Language Models for Autonomous Driving

arxiv url: http://arxiv.org/abs/2610.02765v1
Date: Fri, 02 Oct 2026 03:46:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 00:14:30.199977
Title: Localized Conformal Safety Monitoring with Vision-Language Models for Autonomous Driving
Title（参考訳）: 自律運転のための視覚言語モデルを用いた局所的コンフォーマル安全モニタリング
Abstract要約: 視覚言語モデル(VLM)は、ハイレベルな行動の結果を推論する上で有望であるが、その近似予測は自律運転のような安全クリティカルなアプリケーションには適さない。本研究では, 冷凍VLM上のポストホックキャリブレーション層であるSplit Label-Localized Conformal Prediction (SLLCP)を提案する。
参考スコア（独自算出の注目度）: 11.462075538526703
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Monitoring planned driving trajectories requires accurately estimating the collision likelihood with actors whose motion is itself impacted by the ego motion. Existing classical approaches are often limited by the quality of their forecasting model. Vision-language models (VLMs) have shown promise in reasoning about the consequences of high-level actions, yet their approximate predictions are unsuitable for safety-critical applications such as autonomous driving. Conformal prediction (CP) has emerged as a data-driven framework for quantifying the uncertainty of black-box model predictions. We propose Split Label-Localized Conformal Prediction (SLLCP), a post-hoc calibration layer over frozen VLMs that transforms their unreliable predictions into probabilistically calibrated safety prediction sets. We consider how the ability to estimate safety can depend on the observed driving scene and introduce a localized procedure that upweights relevant past experience when calculating uncertainty thresholds. We provide label-conditional finite-sample distribution-free coverage under exchangeability. Evaluated over 15k CARLA trajectories from unseen scenarios, SLLCP correctly flags 89.6% of collision-causing trajectories with a Qwen backbone and 88.4% with a Cosmos backbone, while the base VLMs only flagged 4.6% and 39.1% of the collision-causing trajectories, respectively. These results indicate that local, label-conditional calibration can reduce missed unsafe trajectories.
Abstract（参考訳）: 計画された走行軌跡の監視には、エゴ運動の影響を受けているアクターとの衝突確率を正確に推定する必要がある。既存の古典的アプローチは予測モデルの品質によって制限されることが多い。視覚言語モデル(VLM)は、ハイレベルな行動の結果を推論する上で有望であるが、その近似予測は自律運転のような安全クリティカルなアプリケーションには適さない。コンフォーマル予測(CP)は、ブラックボックスモデル予測の不確実性の定量化のためのデータ駆動型フレームワークとして登場した。本研究では, 冷凍VLM上のポストホックキャリブレーション層であるSplit Label-Localized Conformal Prediction (SLLCP)を提案する。安全度を推定する能力が、観測された運転シーンにどのように依存するかを考察し、不確実性しきい値を計算する際に、過去の経験を重み付けする局所的な手順を導入する。交換性下におけるラベル条件付き有限サンプル分布自由被覆を提供する。 15k以上のCARLA軌道は見当たらないシナリオから評価され、SLLCPはQwenのバックボーンで衝突を起こす軌道の89.6%とコスモスのバックボーンで88.4%を正確にフラグ付けし、VLMは衝突を起こす軌道の4.6%と39.1%しかフラグ付けしていない。これらの結果から, 局所的, ラベル条件による校正は, 未使用の軌跡を減少させる可能性が示唆された。

関連論文リスト

RefineDrive: Reliable Failure-Guided Learning for Vision-Language-Action Driving [16.68571039427634]
自動運転のためのビジョンランゲージ・アクション(VLA)モデルは、専門家によるデモンストレーションの成功に大きく依存している。これらの失敗から学ぶことは、信頼性の低い診断、不一致の修正ターゲット、粗い報酬によって妨げられる。本稿では、自己生成障害から学習する、障害誘導後トレーニングフレームワークRefineDriveを提案する。
論文参考訳（メタデータ） (2026-09-28T13:01:25Z)
FLY-EVAL++: An Evidence-Driven Evaluation Protocol for Safety-Constrained Flight Prediction with Large Language Models [45.90905049052029]
FLY-EVAL++は,安全クリティカル環境下での大規模言語モデルに対するエビデンス駆動評価プロトコルである。 PilotBench設定を履歴条件および多段階予測タスクで拡張することにより、FLY-EVAL++ for Flight Trajectory and Attitude Prediction (FTAP)をインスタンス化する。本結果より, 安全クリティカル領域の評価は, 精度中心の報告のみに頼るのではなく, 制約満足度と構造的妥当性を明示的に測定すべきであることが示唆された。
論文参考訳（メタデータ） (2026-09-03T16:00:02Z)
CoCoNav: Conformal Control for Safe Robot Navigation in Crowds [12.172167017799502]
オンラインコンフォメーションキャリブレーションと実行時認証計画を組み合わせたクラウドナビゲーションフレームワークであるtextitCoNavを提案する。水平比例比例制御器は軌道誤差境界に適応し、長期の経験的カバレッジを調節する。 textitrelax-then-verify Plannerは、ソフト制約されたMPCで名目軌道を生成することにより、ソルバ実現性を維持する。
論文参考訳（メタデータ） (2026-08-07T20:34:52Z)
Neuro-Symbolic Safety Guidance for Vision-Language-Action Models via Constrained Flow Matching [11.335076684744628]
既存の安全対策は、ロボットの次の動作による衝突を防ぐだけである。本稿では,フローマッチングに基づくVLAのニューラルネットワークによる安全誘導機構を提案する。本手法は, 衝突回避率82.8%, タスク成功率81.6%, それぞれ6.3%, 19.8%向上した。
論文参考訳（メタデータ） (2026-07-01T18:41:33Z)
Scenario-aware Uncertainty Quantification for Trajectory Prediction with Statistical Guarantees [16.41262478059784]
本稿では,予測区間と信頼性評価を備えた予測トラジェクトリを提供するシナリオ認識不確実性定量化フレームワークを提案する。実世界のnuPlanデータセットを用いてフレームワークの評価を行い、シナリオアウェアな不確実性定量化と信頼性評価の有効性を実証した。
論文参考訳（メタデータ） (2025-12-05T12:54:39Z)
Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-18T21:14:07Z)
Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文参考訳（メタデータ） (2022-04-28T07:37:21Z)
Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文参考訳（メタデータ） (2022-02-03T09:09:56Z)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文参考訳（メタデータ） (2020-06-24T23:13:11Z)

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。