論文の概要: Interpretable Collision Avoidance and Feasibility Guarantees through an Uncertainty Aware Pipeline

• arxiv url: http://arxiv.org/abs/2610.33186v1
• Date: Fri, 23 Oct 2026 18:29:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.266682
• Title: Interpretable Collision Avoidance and Feasibility Guarantees through an Uncertainty Aware Pipeline
• Title（参考訳）: 不確実な認識パイプラインによる解釈可能な衝突回避と可能性保証
• Abstract要約: 自動運転車のためのモジュール型知覚予測計画パイプラインを提案する。 パイプラインは1サイクルあたり12.7msで0%の衝突と0%の解決不能を達成し, 決定論的ベースラインでは36%, 確率制約ベースラインでは10%の衝突率を示した。 アブレーション調査では、各不確実性ソースの必要性と、Clearpath Jackal UGV上でのハードウェアデプロイメントが、パイプラインの物理的プラットフォーム上でのリアルタイム生存性を検証する。
• 参考スコア（独自算出の注目度）: 1.2571323258597842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous vehicles (AVs) operating in dynamic, challenging conditions such as intersections and roundabouts must guarantee collision avoidance under uncertainty while maintaining real-time feasibility. Most existing planners struggle to simultaneously guarantee both requirements. Chance-constrained formulations embed safety constraints directly in the optimization but become infeasible as uncertainty compounds; deterministic planners provide feasible solutions but fail to address the uncertainty that causes collisions; end-to-end learned policies provide neither guarantee in an interpretable form. We present a modular perception-prediction-planning pipeline that closes this gap by propagating uncertainty as structured, interpretable quantities across module boundaries. Rather than embedding probabilistic risk directly in the optimization, our pipeline resolves collision probabilities upstream and constructs convex safe sets within which the planner provides a guaranteed feasible solution at every cycle -- decoupling the safety guarantee from solver feasibility. Across Monte Carlo trials in a four-way unsignalized intersection, our pipeline achieves 0% collisions and 0% solver infeasibility at 12.7ms per cycle, compared to 36% and 10% collision rates for deterministic and chance-constrained baselines respectively. The ablation study confirms the necessity of each uncertainty source and the hardware deployment on Clearpath Jackal UGVs validates the pipeline's real-time viability on physical platforms.
• Abstract（参考訳）: 交差点やラウンドアバウンドのような動的で困難な状況下で自律走行車(AV)は、リアルタイムの実現可能性を維持しながら不確実性の下で衝突回避を保証しなければならない。 既存のプランナーの多くは、両方の要件を同時に保証するのに苦労しています。 条件制約のある定式化は、最適化に直接安全制約を埋め込むが、不確実性化合物として実現できない;決定論的プランナーは実現可能な解決策を提供するが、衝突を引き起こす不確実性に対処することができない;エンドツーエンドの学習ポリシーは、解釈可能な形式では保証を提供しない。 本稿では,モジュール境界をまたいだ構造的,解釈可能な量として不確実性を伝播させることにより,このギャップを埋めるモジュール型知覚予測計画パイプラインを提案する。 パイプラインは、最適化に直接確率的リスクを埋め込むのではなく、衝突確率を上流に解決し、プランナーがすべてのサイクルで保証可能なソリューションを提供する凸安全なセットを構築します。 モンテカルロの4方向の無符号交差点での試験では、パイプラインは0%の衝突を達成し、0%の解解器は1サイクルあたり12.7msで実現可能である。 アブレーション調査では、各不確実性ソースの必要性と、Clearpath Jackal UGV上でのハードウェアデプロイメントが、パイプラインの物理的プラットフォーム上でのリアルタイム生存性を検証する。

関連論文リスト

• Sequential Confidence Sets for Coverage-Constrained Conformal Model Selection [4.937317003169581]
  本稿では,Coverage-Constrained Sequential Model Confidence Sets (CC-SMCS)を紹介する。 少なくとも1-$の確率で、CC-SMCSは全ての制限された最適パイプラインを常に同時に含む。 また、カバレッジ境界における安全な認証のための不可能な結果も確立します。
  論文  参考訳（メタデータ） (2026-09-22T08:09:48Z)
• Probabilistic Recursively Feasible Motion Planning Under Uncertain Environments [5.47494170074467]
  本稿では,確率的再帰的モデル予測制御(PRF-MPC)フレームワークを提案する。 この分析に基づいて,現在の安全集合が将来の安全集合に含まれることを高い確率で保証する安全制約を構築する。
  論文  参考訳（メタデータ） (2026-05-18T18:35:37Z)
• Distributionally Robust Safety Under Arbitrary Uncertainties: A Safety Filtering Approach [11.107547000695646]
  分布あいまいさ下で非線形システムの確率論的安全性を確保する方法について検討する。 提案手法は,安全性を確保するために,高性能な名目ポリシーと認証されたバックアップポリシーを切り替える,バックアップベースの安全フィルタリングフレームワーク上に構築されている。 本手法は,Dubins車から高速レーシングカー,戦闘機まで,3つのシステムを対象としたシミュレーションにより検証する。
  論文  参考訳（メタデータ） (2026-05-13T04:11:58Z)
• BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
  BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。 BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-23T18:19:46Z)
• Assistive Decision-Making for Right of Way Navigation at Uncontrolled Intersections [0.17205106391379021]
  無制御の交差点は、不明瞭な道路のルールのために、かなりの数の道路事故の原因となっている。 本稿では,部分観測可能なマルコフ決定プロセスとして定式化された,制御不能な交差点における右道推論のためのドライバ・アシスト・フレームワークを提案する。 確率プランナーはルールベースのベースラインよりも優れており、部分観測可能条件下では最大97.5%の衝突のないナビゲーションを実現している。
  論文  参考訳（メタデータ） (2025-09-22T20:46:23Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• SafePath: Conformal Prediction for Safe LLM-Based Autonomous Navigation [67.22657932549723]
  SafePathは,LLM(Large Language Models)を公式な安全保証とともに拡張するフレームワークである。 第1段階では,多様な候補経路を生成するLCMを用いて,エージェントの挙動と環境条件に基づく軌道探索を行う。 第2段階では、SafePathはリスクの高いトラジェクトリをフィルタリングし、少なくとも1つのセーフオプションがユーザ定義の確率に含まれていることを保証します。 最終段階では,不確実性が低い場合や不確実性が高い場合,人間に制御を委譲する場合の衝突リスクが最も低い経路を選択する。
  論文  参考訳（メタデータ） (2025-05-14T14:28:24Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• Pointwise Feasibility of Gaussian Process-based Safety-Critical Control under Model Uncertainty [77.18483084440182]
  制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。 本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-13T23:08:49Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)

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。