論文の概要: Towards Safer Autonomous Driving in an Open World: A Dual-Process Approach

• arxiv url: http://arxiv.org/abs/2610.04088v1
• Date: Fri, 02 Oct 2026 21:51:41 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:40:04.564473
• Title: Towards Safer Autonomous Driving in an Open World: A Dual-Process Approach
• Title（参考訳）: オープンな世界での安全な自律運転を目指して - デュアルプロセスアプローチ
• Abstract要約: 本研究では,日常運転タスクにおける直感的学習に基づく計画のためのニューラルネットワークと,不慣れな状況における推論に基づく計画のためのモデル予測制御を組み合わせた新しいフレームワークを提案する。 メタ認知コンポーネントは、コンテキストリスクを推論するために知識グラフを使用して、この2つを切り替えるように設計されている。 新たなアーキテクチャでは,シナリオ内の衝突回数を89%削減し,特別な右翼ルールの遵守を改善する。
• 参考スコア（独自算出の注目度）: 1.2303267908611877
• License:
• Abstract: Before autonomous driving systems can be deployed on public roads, it is vital that these systems comply with safety standards, traffic rules, and social norms. Although neural networks trained on large amounts of driving data perform well in routine driving tasks, these models often struggle in novel situations that are not well-represented in the data. In this work, we propose a novel framework that combines a neural network for intuitive, learning-based planning in routine driving tasks with model predictive control for reasoning-based planning in unfamiliar situations, inspired by Dual Process Theory. A meta-cognitive component is designed to switch between the two, using a knowledge graph to reason about contextual risk based on explicit perceptual information and relevant traffic rules and social norms. Contextual risk is represented through risk fields, guiding both the switching mechanism in the meta-cognitive component and compliance with safety standards, traffic rules, and social norms in the reasoning-based planner. The effectiveness of our framework is tested in CARLA for variations of a typical out-of-distribution situations involving (emergency) vehicles running a red light. We show that the novel architecture reduces the number of collisions in the scenarios by 89% and improves compliance with the special right-of-way rules, compared to the NN-only planner.
• Abstract（参考訳）: 自動運転車が公道に配備される前には、これらのシステムは安全基準、交通規則、社会規範に従うことが不可欠である。 大量の運転データに基づいてトレーニングされたニューラルネットワークは、日常的な運転タスクにおいてよく機能するが、これらのモデルは、データにうまく表現されていない新しい状況でしばしば苦労する。 本研究では、日常運転タスクにおける直感的で学習に基づく計画のためのニューラルネットワークと、二元プロセス理論にインスパイアされた不慣れな状況における推論に基づく計画のためのモデル予測制御を組み合わせた、新しいフレームワークを提案する。 メタ認知コンポーネントは、知識グラフを使用して、明示的な知覚情報と関連する交通ルールと社会的規範に基づいてコンテキスト的リスクを推論するために、両者を切り替えるように設計されている。 コンテキストリスクはリスクフィールドを通じて表現され、メタ認知コンポーネントにおけるスイッチング機構と、推論に基づくプランナーにおける安全基準、交通規則、社会規範の遵守の両方を導く。 このフレームワークの有効性をCARLAでテストし、赤信号で走行する(緊急)車両を含む典型的なアウト・オブ・ディストリビューション状況の変動について検討した。 新たなアーキテクチャは,NNのみのプランナと比較して,シナリオ内の衝突回数を89%削減し,特別な右翼ルールへの準拠性を向上することを示す。

関連論文リスト

• Learning collision risk proactively from naturalistic driving data at scale [3.1457219084519004]
  本研究は一般サロゲート安全対策(GSSM)を紹介する。 GSSMは、クラッシュやリスクラベルを必要とせずに、自然主義的な運転から衝突リスクを学習する。 複数のGSSMを訓練するためには、運動キネマティクス、天気、照明など、自然運動からのさまざまなデータを使用する。 即時運動キネマティクスのみを用いた基本的なGSSMは、精度-リコール曲線0.9の領域を達成し、衝突を避けるために2.6秒の中央値の時間を確保できる。
  論文  参考訳（メタデータ） (2025-05-19T07:22:32Z)
• Predictive Traffic Rule Compliance using Reinforcement Learning [7.280087547993983]
  本稿では,交通ルール違反の可能性を予測するために,モーションプランナと深層強化学習モデルを統合するアプローチを提案する。 我々の主な革新は、アクター・クリティカルな方法で標準的なアクター・ネットワークをモーション・プランニング・モジュールに置き換えることです。 オープンなドイツの高速道路データセットの実験では、計画の地平線を超えた交通ルール違反を予測し、防止することができる。
  論文  参考訳（メタデータ） (2025-03-29T01:04:08Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• RAIST: Learning Risk Aware Traffic Interactions via Spatio-Temporal Graph Convolutional Networks [19.582873794287632]
  道路車両を運転する上で重要な側面は、他の道路利用者と対話し、その意図を評価し、リスクを意識した戦術決定を行うことである。 本稿では,交通グラフに基づくエゴセントリックなビューのための新しいドライビングフレームワークを提案する。 我々は,リスクオブジェクト識別の課題を改善することにより,リスク認識表現を学習する。
  論文  参考訳（メタデータ） (2020-11-17T15:49:22Z)

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。