論文の概要: CUSP: CUSUM-Governed Survival Hazard Alarms at the Perception Onset for Off-Road Navigation

• arxiv url: http://arxiv.org/abs/2610.07882v1
• Date: Tue, 06 Oct 2026 07:29:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.867988
• Title: CUSP: CUSUM-Governed Survival Hazard Alarms at the Perception Onset for Off-Road Navigation
• Title（参考訳）: CUSP:CUSUMが保有するサバイバル・ハザード・アラームは、オフロードナビゲーションのためのパーセプション・オンセット
• Abstract要約: オフロードナビゲーションは、途中で危険な地形にロボットを露出させる。 学習ベースのナビゲーションでは、安全管理を使用して、どのパスを走行するかを選択する。 ロボットが危険にさらされているとき、ランタイムアラームは提供されない。
• 参考スコア（独自算出の注目度）: 15.133594747777783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Off-road navigation exposes a robot to potentially hazardous terrain en route. Although learning-based navigation uses safety supervision to choose which path to drive, it provides no runtime alarm when the robot following that path is heading into danger. Such an alarm must be learned from field logs, where human intervention preempts the failure and the failure itself is therefore never observed. The human judges driving unsafe early but typically intervenes only once failure is clearly near, so the intervention marks that judgment late. That earlier judgment is what a runtime alarm must detect, yet no prior intervention-supervised method has targeted it. To address this problem, we introduce CUSP (CUSUM-governed Survival model of the Perception onset), a model-agnostic runtime hazard alarm that learns this moment from intervention-terminated logs. "Cusp" is a word for the point at which one state is about to turn into another, and the moment we target is exactly such a cusp: the point at which safe driving turns unsafe in a human's judgment. We call this point the perception onset and annotate it separately from the intervention. A visual hazard head is trained on the annotated onset with a discrete-time survival objective so that driving with and without an onset both supervise the head, and a CUSUM accumulates the predicted onset risk into alarms. We evaluate CUSP at five unseen sites, two autonomous and three teleoperated, with 142 events and every method tuned to the same rate of ten false alarms per hour. CUSP detected 85 events compared to 26 for the best of nine adapted baselines, and the margin comes from hazards to which every signal in the navigation model is blind.
• Abstract（参考訳）: オフロードナビゲーションは、途中で危険な地形にロボットを露出させる。 学習ベースのナビゲーションは、運転する経路を選択するために安全管理を使用するが、その経路に続くロボットが危険にさらされている場合、ランタイムアラームは提供されない。 このようなアラームは、人間の介入が失敗を先延ばしにし、それ故に失敗自体が観察されないフィールドログから学ばなければならない。 人間の判断は安全でないが、失敗が明らかに近づいたときのみ介入するので、その判断は遅くなる。 以前の判断はランタイムアラームが検出しなければならないものであるが、事前の介入監視手法がそれを対象としていない。 この問題を解決するために,CUSP (CUSUM-governed Survival model of the Perception Onset) を導入する。 Cusp」とは、ある状態が別の状態に変わりそうになったときの言葉で、私たちが狙う瞬間はまさに、人間の判断で安全な運転が安全でないポイントである。 私たちはこの点を認識開始と呼び、介入とは別個の注釈を付けます。 視覚的ハザードヘッドをアノテートされたオンセットに個別の生存目標でトレーニングすることにより、オンセットと無しの運転が頭部を監督し、CUSUMは予測されたオンセットリスクをアラームに蓄積する。 CUSPは5つの未確認地点,2つの自律型,3つの遠隔操作型で,142のイベントと1時間あたり10の誤報の頻度に調整されたすべての手法で評価した。 CUSPは、9つの適応ベースラインのうちベスト26に対して85のイベントを検出し、マージンはナビゲーションモデルのすべての信号が盲目となる危険から来ている。

関連論文リスト

• Progressive Risk Estimation for Accident Anticipation [13.779073069233611]
  事故予知は、通常の運転中に誤報を回避しつつ、事故前の異常運転の手がかりを認識することを目的としている。 事故リスクを継続的に進行する信号としてモデル化するフレームワークであるPre-ACTを提案する。
  論文  参考訳（メタデータ） (2026-09-26T17:35:18Z)
• INTENT: An LSTM Framework for Vehicle Intention Prediction in Intersection Scenarios with Comprehensive Ablation Analysis [0.9668407688201359]
  イベント発生の2秒前の交差点での車両の意図を予測するため,LSTMモデルを用いてINENTフレームワークを提案する。 様々なモデル実験とアブレーション研究が、99.71%の精度でInDデータセット上で徹底的にテストされている。
  論文  参考訳（メタデータ） (2026-07-09T09:56:26Z)
• 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)
• Accident Anticipation via Temporal Occurrence Prediction [15.813749445439292]
  事故予測は、潜在的な衝突をオンラインで予測することを目的としており、タイムリーな警報によって道路の安全性を高めることができる。 既存の手法では、リスクの指標としてフレームレベルのリスクスコアを予測するのが一般的である。 本稿では,予測対象を現在のフレームリスクスコアから,将来の複数段階における事故スコアを直接推定するパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-25T11:57:22Z)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• Driving Anomaly Detection Using Conditional Generative Adversarial Network [26.45460503638333]
  本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。 この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。 結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
  論文  参考訳（メタデータ） (2022-03-15T22:10:01Z)
• Surveillance Evasion Through Bayesian Reinforcement Learning [78.79938727251594]
  ランダム終端の強度が全く不明な2次元連続経路計画問題を考える。 これらのオブザーバーの監視強度は未知であり、反復的な経路計画を通じて学ぶ必要がある。
  論文  参考訳（メタデータ） (2021-09-30T02:29:21Z)
• Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
  早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。 安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。 本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-28T23:00:30Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)

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。