論文の概要: Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles, Part II: Assessment Results

• arxiv url: http://arxiv.org/abs/2610.08458v1
• Date: Tue, 06 Oct 2026 14:43:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.056168
• Title: Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles, Part II: Assessment Results
• Title（参考訳）: 自動運転車の大規模展開に向けた行動安全評価(その2) 評価結果
• Abstract要約: 自動運転車(AV)の安全性の第三者評価は、公衆の受け入れを改善し、消費者の信頼を高め、効果的な安全基準を確立する上で重要な役割を担っている。 本研究では,ATVの行動安全を体系的に評価するための,専用のサードパーティテストイニシアチブを提案する。 結果、Autoware.Universeは14の行動能力のうち6つを持ち、1マイルあたり3.01x10-3のクラッシュ率を示した。
• 参考スコア（独自算出の注目度）: 10.326246945969098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Third-party evaluations of autonomous vehicle (AV) safety can play a vital role in improving public acceptance, building consumer confidence, and establishing effective safety standards. In Part I of this study, we propose a dedicated third-party testing initiative for systematically evaluating AV behavioral safety. In this paper, we validate our proposed framework using Autoware.Universe, an open-source Level 4 Automated Driving System (ADS), tested both in simulated environments and on the physical test track at the University of Michigan's Mcity Testing Facility. The results indicate that Autoware.Universe possesses 6 out of 14 behavioral competencies and exhibited a crash rate of 3.01x10^-3 crashes per mile, approximately 1,000 times higher than the average human driver crash rate. During the tests, we also uncovered a number of unknown unsafe scenarios for Autoware.Universe. These findings underscore the necessity of behavioral safety evaluations for improving AV safety performance prior to widespread public deployment.
• Abstract（参考訳）: 自動運転車(AV)の安全性の第三者評価は、公衆の受け入れを改善し、消費者の信頼を高め、効果的な安全基準を確立する上で重要な役割を担っている。 本研究の第一部では,ATVの行動安全を体系的に評価する専用の第三者テストイニシアチブを提案する。 本稿では,シミュレーション環境とミシガン大学マキティテスト施設の物理的テストトラックの両方でテストされたオープンソースのLevel 4 Automated Driving System (ADS) であるAutoware.Universeを用いて,提案フレームワークを検証した。 その結果、Autoware.Universeは14の行動能力のうち6つを持ち、1マイルあたりのクラッシュ速度は3.01x10^-3であり、平均的な人間のドライバーのクラッシュ速度の約1000倍であった。 テスト中、Autoware.Universe.comの未知のアンセーフシナリオもいくつか見つけました。 これらの結果は,広く普及する公的な展開に先立って,AV安全性能向上のための行動安全評価の必要性を浮き彫りにした。

関連論文リスト

• Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles, Part I: Methodology [10.326246945969098]
  自動運転車(AV)の行動安全に向けたパラダイムシフトを提案する。 本稿では,行動能力テストと運転知能テストの2つの相補的評価要素からなる第三者フレームワークを紹介する。 本研究のパートIIでは,オープンソースのLevel 4 Automated Driving System (ADS) を試験し,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2026-10-06T14:37:33Z)
• Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles [6.846750893175613]
  自動運転車(AV)の行動安全へのパラダイムシフトを提案する。 本稿では,運転免許試験と運転情報検査の2つの相補的な評価要素を含む,サードパーティのAV安全性評価フレームワークを紹介する。 シミュレーション環境とミシガン大学のMcity Testing Facilityの物理的テストトラックの両方で,オープンソースのLevel 4 AVであるtexttAutoware.Universeを検証した。
  論文  参考訳（メタデータ） (2025-05-22T04:28:59Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure Events [1.84926694477846]
  本稿では、まず、オフライン軌道を用いて、既存の自動運転車の挙動を分析するブラックボックステストフレームワークを提案する。 実験の結果,車両衝突,道路物体衝突,歩行者衝突,オフロードステアリング事故の発生率は35,23,48,50%増加した。
  論文  参考訳（メタデータ） (2023-08-28T13:09:00Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• Self-Awareness Safety of Deep Reinforcement Learning in Road Traffic Junction Driving [20.85562165500152]
  道路交通ジャンクションのシナリオでは、車両は通常、輸送環境から部分的な観察を受ける。 本研究では,3つのベースラインDRLモデル(DQN,A2C,PPO)の安全性評価を行った。 提案した自己認識注意-DQNは,交差点およびラウンドアバウンドシナリオにおける安全性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-01-20T11:21:33Z)

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。