論文の概要: Structured Representation Probing for Risk Anticipation in End-to-End Autonomous Driving
- arxiv url: http://arxiv.org/abs/2610.37299v1
- Date: Tue, 27 Oct 2026 14:20:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.656123
- Title: Structured Representation Probing for Risk Anticipation in End-to-End Autonomous Driving
- Title（参考訳）: エンド・ツー・エンド自動運転におけるリスク予測のための構造的表現法
- Abstract要約: エンドツーエンドの運転ポリシーは、トラフィック、エゴの振る舞い、および道路の制約の構造化された内部表現を形成する。
本研究では,フリーズポリシからアクタ,エゴ,マップ表現を読み取る軽量モニタであるStructured Representation Probe(SRP)を紹介する。
- 参考スコア（独自算出の注目度）: 45.62895137747747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: End-to-end driving policies form structured internal representations of traffic, ego behavior, and road constraints. These representations offer a monitoring interface for anticipating failures, complementing risk signals from trajectories, controls, and manually designed features. We introduce the Structured Representation Probe (SRP), a lightweight monitor that reads actor, ego, and map representations from a frozen policy. SRP learns a separate linear risk direction for each source and aggregates element scores through cardinality-normalized log-mean-exp pooling, retaining sensitivity to salient evidence while reducing dependence on token count. Event-window supervision links the readout to upcoming hard failures, and auxiliary event type heads jointly train the source directions across failure modes. Online alerting uses a single generic score without modifying the driving policy. Bench2Drive experiments on DriveTransformer, UniAD, and VAD show higher frame-level PR-AUC and ROC-AUC than the evaluated runtime baselines. On DriveTransformer at a horizon of 2 seconds, ROC-AUC reaches 0.833 versus 0.715 for temporal consistency, with 2.67% readout runtime overhead. The trained probes also retain the ability to distinguish impending failures on new routes.
- Abstract（参考訳）: エンドツーエンドの運転ポリシーは、トラフィック、エゴの振る舞い、および道路の制約の構造化された内部表現を形成する。
これらの表現は、障害を予測し、軌道からのリスク信号を補完し、制御し、手動で設計した機能のための監視インターフェースを提供する。
本研究では,フリーズポリシからアクタ,エゴ,マップ表現を読み取る軽量モニタであるStructured Representation Probe(SRP)を紹介する。
SRPは各ソースに対して別々の線形リスク方向を学習し、基数正規化対数平均プールにより要素スコアを集約し、トークン数への依存を低減しつつ、正当性証拠に対する感受性を維持する。
イベントウィンドウの監視は、読み出しを次のハード障害にリンクし、補助イベントタイプのヘッドは、障害モードを越えてソース方向を共同でトレーニングする。
オンラインアラートは、駆動ポリシーを変更することなく、単一のジェネリックスコアを使用する。
DriveTransformer、UniAD、VADのBench2Drive実験では、評価されたランタイムベースラインよりも高いフレームレベルPR-AUCとROC-AUCが示されている。
水平2秒のDriveTransformerでは、ROC-AUCは 0.833、時間的一貫性は 0.715、読み込み時のオーバーヘッドは 2.67% である。
訓練された探査機は、新しいルートで差し迫った失敗を区別する能力も保持している。
関連論文リスト
- Routing Policy Optimization for Online Diffusion Reinforcement Learning [63.968567790829496]
強化学習は、視覚ジェネレータを訓練対象を超えて報酬信号と整合させることができる。
既存のスコア関数法は、典型的には逆の denoising 軌道を摂動することによって導入される。
我々は、アテンションルーティングを探索行動に変換するためにルーティングポリシー最適化を使用します。
論文 参考訳（メタデータ） (2026-10-15T17:40:30Z) - AutoAgent0: An Agentic Runtime for Safe Closed-Loop Driving [61.924851163300076]
エージェントランタイムとハーネスフレームワークであるAutoAgent0を導入し、既存の運転専門家に補完的な検出スキル、ルールベースのアクション検証、フィードバック駆動リカバリを付加する。
長距離および安全クリティカルシナリオにおけるシングルエキスパート実行に対する閉ループロバスト性の向上を実証した。
論文 参考訳（メタデータ） (2026-10-13T17:59:50Z) - Latent-Centroid Steering: Single-Pass Classifier-Free Guidance for Command-Aligned Autonomous Driving [37.533498955258544]
本稿では,インスタンスレベルの残差をクラスレベルの遅延シフトに置き換える単一パス誘導機構を提案する。
我々はLCSがより強力なコマンドアテンデンスを実現しつつ、推論遅延を約50%削減できることを実証した。
論文 参考訳（メタデータ） (2026-07-31T19:32:28Z) - End-to-end Conditional Diffusion for Realistic and Controllable Visual Traffic Scenario Generation [59.188006170485046]
E2E-CDiffは、制御可能で現実的なシナリオ生成のためのエンドツーエンドの条件拡散フレームワークである。
微分可能な誘導は速度を規制し、乾燥可能な領域のコンプライアンスを強制し、衝突回避や衝突回避行動をサポートする。
E2E-CDiffは、学習ベースのエゴプランナーとしても競争力がある。
論文 参考訳（メタデータ） (2026-07-21T02:13:25Z) - PRISA: Proactive Infrastructure LiDAR Framework for Intersection Safety Assessment [3.6737243445877663]
都市交差点は道路網の最も危険な場所の一つであり、歩行者やサイクリストのような車両や脆弱な道路利用者(VRU)に重大なリスクをもたらす。
本稿では,プライバシ保護,低照度路面センサを活用した,長期交通観測とエッジでのリアルタイムリスク検出のためのモジュール型インフラストラクチャLiDARフレームワークであるPRISAを提案する。
PRISAは、公開R-LiViTデータセットで評価され、テネシー州チャタヌーガのライブシグナル付き交差点でNVIDIA Jetson AGX Thorにデプロイされる。
論文 参考訳（メタデータ） (2026-07-17T17:35:23Z) - Driver-WM: A Driver-Centric Traffic-Conditioned Latent World Model for In-Cabin Dynamics Rollout [55.19244743715421]
Driver-WMは、ドライバー中心の潜在世界モデルで、アウトキャビンのトラフィックコンテキストを考慮に入れたインキャビンのダイナミクスをロールアウトする。
身体のキネマティクス予測を補助的な行動的・感情的意味認識と統合する。
ドライバ-WMは、反応性の高いハイモーション操作のための堅牢な長距離幾何学的予測を与える。
論文 参考訳（メタデータ） (2026-05-06T16:30:48Z) - OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。
トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。
エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T07:50:00Z) - Robust Global-Local Behavior Arbitration via Continuous Command Fusion Under LiDAR Errors [0.0]
本稿では、2つのコントローラの出力を融合させるROS2ネイティブ仲裁モジュールを提案する。
各制御ステップにおいて、両コントローラはAckermannコマンドを提案し、PPO訓練されたポリシーはコンパクトな特徴観察から連続ゲートを予測する。
本研究は,計画レベルの相互作用推論の代替としてではなく,モジュール型ROS2環境でのコマンドレベルのロバスト性評価を意図している。
論文 参考訳（メタデータ） (2026-03-28T14:09:55Z) - How Much Is Too Much? Adaptive, Context-Aware Risk Detection in Naturalistic Driving [0.6299766708197883]
ラベルやモデルを時間とともに、ドライバ間で適応する統合されたコンテキスト対応フレームワークを提案する。
このフレームワークは、速度重み付けされたヘッドウェイと厳しい運転イベントの2つの安全指標と、ランダムフォレスト、XGBoost、ディープニューラルネットワーク(DNN)の3つのモデルを用いてテストされている。
全体として、このフレームワークは、リアルタイムの安全フィードバックを強化し、インテリジェントな交通システムにおけるドライバー中心の介入をサポートする、適応的でコンテキスト対応のリスク検出を約束している。
論文 参考訳（メタデータ） (2025-07-26T16:24:25Z) - What Matters to Enhance Traffic Rule Compliance of Imitation Learning for End-to-End Autonomous Driving [10.191916541924813]
そこで我々は,P-CSGを提案する。P-CSG,P-CSG,P-CSG,P-CSG,P-CSG,P-CSG,P-CSG。
本稿では,赤信号,停止標識,曲率速度ペナルティという3つの罰則を導入し,エージェントが交通規則に敏感になるようにした。
FGSMやDot攻撃などの敵攻撃に対するロバストネス評価を行ったところ,他のベースラインモデルと比較してロバストネスが著しく増加した。
論文 参考訳（メタデータ） (2023-09-14T15:54:56Z)
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。