論文の概要: Safety-Oriented Trajectory Ranking from BEV Perception Outputs

• arxiv url: http://arxiv.org/abs/2610.14066v1
• Date: Wed, 07 Oct 2026 11:58:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:30:32.809128
• Title: Safety-Oriented Trajectory Ranking from BEV Perception Outputs
• Title（参考訳）: BEV知覚出力からの安全指向軌道ランク付け
• Abstract要約: 本稿では nuScenes センサデータから得られた BEVFusion オブジェクトの検出とマップセグメンテーションを利用するモジュラートラジェクトリランキングパイプラインを提案する。 ランキングは衝突や通路違反を回避し、目標までの距離を小さくし、最終的に経路効率を優先する。 ルールベースのランキングが人間の判断に類似しているかどうかを調べるため,BEVの交通シナリオを7つ作成し,21人の被験者を対象にした調査結果と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bird's-Eye-View (BEV) representations are increasingly used as compact inputs for autonomous driving perception and planning. However, lightweight and interpretable methods for evaluating candidate ego trajectories directly on BEV outputs remain useful for vehicular safety workflows, rapid prototyping, and human-in-the-loop validation. This paper presents a modular trajectory ranking pipeline that consumes BEVFusion object detections and map segmentations derived from nuScenes sensor data and ranks manually specified candidate trajectories according to safety-first criteria. The ranking prioritizes avoiding collisions and walkway violations, then smaller end distance to the target, and finally path efficiency. To study whether these rule-based rankings resemble human judgment, we created seven BEV traffic scenarios and compared the script output with preferences from a survey of 21 participants. Across 146 pairwise votes, 124 matched the trajectory ranked first by the evaluator, corresponding to an overall agreement of 84.9 %. The results indicate that simple BEV-centric safety heuristics can approximate human preferences in constrained trajectory choice tasks while remaining transparent enough for analysis, dataset curation, and autonomous driving studies.
• Abstract（参考訳）: Bird's-Eye-View (BEV) の表現は、自律運転認識と計画のためのコンパクトな入力として、ますます使われている。 しかし,BEV出力から直接候補エゴ軌道を評価するための軽量かつ解釈可能な手法は,車載安全ワークフロー,高速プロトタイピング,人間によるループ内検証に有用である。 本稿では, nuScenesセンサデータから得られたBEVFusionオブジェクトの検出とマップセグメンテーションを消費し, 安全第一基準に従って手動で特定された候補軌道をランク付けするモジュラートラジェクトリランキングパイプラインを提案する。 ランク付けは衝突や通路違反を回避し、目標までの距離を小さくし、最終的に経路効率を優先する。 ルールベースのランキングが人間の判断に類似しているかどうかを調べるため,BEVの交通シナリオを7つ作成し,21人の被験者を対象にした調査結果と比較した。 146対1の得票率で、114票がまず評価者によってランク付けされた軌道と一致し、全体の84.9%が合意された。 その結果、単純なBEV中心の安全ヒューリスティックスは、制約された軌道選択タスクにおける人間の嗜好を近似できる一方で、分析、データセットキュレーション、自律運転研究に十分な透明性を保っていることが示唆された。

関連論文リスト

• FPD-Drive: Future Policy Distillation for End-to-End Autonomous Driving [60.94017457617759]
  我々は、特権付き将来の知識を視覚駆動ポリシーに蒸留するエンド・ツー・エンドのプランナーであるFPD-Driveを提案する。 具体的には,教師から多様な,高品質な軌道目標を伝達するために,Future-Privileged Multi-Target Distillationを導入する。 候補選択には、近隣の安全候補と安全でない候補のランキング誤差を補正するセーフティ・アウェア・スコア補正を導入する。
  論文  参考訳（メタデータ） (2026-10-09T08:50:25Z)
• DriveJudge: Rethinking Autonomous Driving Evaluation with Vision-Language Models [53.73898294218455]
  DriveJudgeは、ルール付き評価とVision-Language Model (VLM)推論を組み合わせた運転評価エージェントである。 運転品質分類と軌道選択という2つのベンチマークタスクを導入する。 DriveJudgeは、21.23 AUCによる運転品質分類と、最近のVLMベースのDriveCriticによる軌道優先選択では6.5%の成績を示した。
  論文  参考訳（メタデータ） (2026-06-15T23:39:36Z)
• Measuring What Matters: Scenario-Driven Evaluation for Trajectory Predictors in Autonomous Driving [8.115144579497644]
  本稿では,予測器の性能を精度と多様性の2次元で適応的に評価する包括的パイプラインを提案する。 実世界のデータセットを用いたクローズドループベンチマークの実験は、パイプラインが従来のメトリクスよりも合理的な評価を得られることを示している。
  論文  参考訳（メタデータ） (2025-12-13T06:48:32Z)
• TrajDiff: End-to-end Autonomous Driving without Perception Annotation [65.49718343700319]
  エンドツーエンドの自動運転システムは、生センサ入力から直接駆動ポリシーを生成する。 TrajDiffはTrajectory-oriented BEV Conditioned Diffusionフレームワークであり、エンドツーエンドの自動運転のための知覚アノテーションのない生成方法を確立する。 NAVSIMベンチマークで評価すると、TrajDiffは87.5 PDMSを達成した。
  論文  参考訳（メタデータ） (2025-11-30T04:34:20Z)
• 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)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data [40.43737902900321]
  性能データを駆動する作業負荷推定の問題に対処する。 心的負荷を誘発する主要な環境要因をビデオ解析により同定する。 教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。 ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
  論文  参考訳（メタデータ） (2023-03-26T13:15:44Z)
• Generating Evidential BEV Maps in Continuous Driving Space [13.073542165482566]
  本稿では,GevBEV という完全確率モデルを提案する。 これは2次元駆動空間を、点ベースの空間ガウス分布を持つ確率的バードアイビュー (BEV) マップとして解釈する。 GevBEVは、学習した不確実性から共有する最も重要な情報のみを選択することで、通信オーバーヘッドを低減する。
  論文  参考訳（メタデータ） (2023-02-06T17:05:50Z)

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。