論文の概要: Where ADS Crashes Differ: A Harmonized Comparison Against Human Baselines

• arxiv url: http://arxiv.org/abs/2610.42121v1
• Date: Fri, 30 Oct 2026 17:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.863565
• Title: Where ADS Crashes Differ: A Harmonized Comparison Against Human Baselines
• Title（参考訳）: ADSの弱点:人間のベースラインとの調和した比較
• Abstract要約: 事故が発生した場合、事故の種類は自動走行システムと人間駆動車との違いがあるのだろうか? NHTSA Standing General Order (SGO) ADSインシデントファイルを,2450件の顕微鏡内インシデントにまとめる。 2つの構成の違いは、すべてのリポータビリティ定義、トウ定義、人間側の重み付けの下に保持される。
• 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: Crash-rate comparisons between automated driving systems (ADS) and human drivers require an exposure denominator that only a few operators publish. We instead ask a composition question: given a crash, does the mix of crash types differ between ADS and human-driven vehicles? The question needs no mileage and can therefore cover every ADS operator. We assemble the NHTSA Standing General Order (SGO) ADS incident files across both file generations into 2,450 distinct in-scope incidents (2021-2026), of which 828 fall within the 2021-2024 window covered by the Crash Report Sampling System (CRSS), the national police-reported human comparator. A schema-constrained large language model (LLM) codes each SGO narrative into the CRSS crash-type taxonomy. Because SGO compels reporting far below the police-reporting threshold, we bracket reportability with an objective severity floor and a reasonable-person rubric, and claim a difference only where it survives both. Two composition differences hold under every reportability definition, tow definition and weighting of the human side, and under both definitions of driverless operation: turn-across-path crashes are under-represented among ADS crashes (0.23-0.46x the CRSS share under the primary driverless definition) and so are single-vehicle crashes (0.19-0.56x). In severity-floor rear-end crashes the ADS vehicle is the striking party at a quasi-induced-exposure ratio of 0.121 (95% CI [0.05, 0.23]) against a human baseline of 1.000. If the ADS vehicle is also struck more often than its exposure implies, this ratio overstates the ADS-human difference. We also document three pitfalls in the federal data: an operator-specific coding of driverless operation, a tow-away criterion confounded by fleet recovery practice, and an occupancy confound that accounts for about 42% of the apparent ADS-human severity gap.
• Abstract（参考訳）: 自動運転システム(ADS)と人間ドライバーのクラッシュ・レート比較は、少数のオペレーターのみが公開する露光分母を必要とする。 事故が発生した場合、ADSと人間駆動の車両の衝突タイプは違うのでしょうか? この質問はマイルを必要とせず、従って全てのADS演算子をカバーすることができる。 我々は、NHTSAスタンディング・ジェネラル・オーダー(SGO)ADSインシデントファイルを、2,450件のインスコープインシデント(2021-2026)に集約し、そのうち828件は、警察が報告した人間コンパレータであるCrash Report Sampling System(CRSS)がカバーする2021-2024ウィンドウ内にある。 スキーマ制約付き大言語モデル(LLM)は、各SGO物語をCRSSクラッシュ型分類に符号化する。 SGOは警察報告基準をはるかに下回る報告を補完するので、客観的な重度フロアと合理的な人的ルーリックで報告し、両者が生き残る場所だけの違いを主張する。 ターン・アクロスパスのクラッシュは、ADSのクラッシュ(第一のドライバーレスの定義では0.23-0.46倍、CRSSのシェアは0.29-0.56倍)で、単車衝突(0.19-0.56倍)である。 重度フロアの後方衝突では、ADS車両は、ヒトのベースラインの1.000に対して、準誘発露光比0.121(95% CI [0.05, 0.23])で打撃的である。 ADS車両が露出よりも頻繁に衝突した場合、この比はADSと人間の違いを過度に表す。 また、連邦政府のデータには3つの落とし穴が記録されている: 運転者固有の無人運転のコーディング、フリートリカバリの慣行によって確立された牽引基準、そしてADSと人間の重度のギャップの約42%を占める占領条件。

関連論文リスト

• Who Bears the Risk When Generative AI Enters Transport? A Distributional Sociotechnical Audit of Algorithmic Equity, Synthetic-Data Validity, and Public Trust [1.089614199781423]
  ジェネレーティブ人工知能は、旅行者向けアドバイザリー、総合的なクラッシュ記録生成、および政策決定支援を通じて輸送に参入している。 本研究では,アルゴリズムの等価性,合成データの妥当性,公開態度をひとつの経験的パイプラインに統合する分散監査手法を開発した。
  論文  参考訳（メタデータ） (2026-09-10T14:29:09Z)
• Learning Responsibility-Attributed Adversarial Scenarios for Testing Autonomous Vehicles [14.04593970867671]
  CARS(Context-Aware, Responsibility-attributed Scenario generation)は、責任帰属を直接敵シナリオ生成に統合するフレームワークである。 CARSは、規則に規定された注意深い有能なドライバーモデルの下で、高い帰属率を持つ実行可能な衝突シナリオを一貫して発見する。
  論文  参考訳（メタデータ） (2026-05-13T16:33:07Z)
• Autonomous Vehicle Collision Avoidance With Racing Parameterized Deep Reinforcement Learning [73.88859384645264]
  道路交通事故は世界中の交通事故の主な原因である。 米国では、人間のエラーが94%のクラッシュを引き起こし、7000人以上の歩行者が死亡し、年間500億ドルのコストがかかる。 本稿では,Dreep Reinforcement Learning (DRL) 衝突回避政策のアウト・オブ・ディストリビューションをパラメータ化する。 2つのポリシーが評価され、デフォルトのユニディレクションと、他の車と反対方向にナビゲートする逆方向のバリエーションが評価される。
  論文  参考訳（メタデータ） (2026-04-17T21:11:39Z)
• Abductive Ego-View Accident Video Understanding for Safe Driving Perception [75.60000661664556]
  マルチモーダル・アクシデント・ビデオ理解のための新しいデータセットMM-AUを提案する。 MM-AUには1,727件の映像が収録されている。 安全運転認識のための誘導型事故映像理解フレームワーク(AdVersa-SD)を提案する。
  論文  参考訳（メタデータ） (2024-03-01T10:42:52Z)
• ACAV: A Framework for Automatic Causality Analysis in Autonomous Vehicle Accident Recordings [5.578446693797519]
  近年の死者は、大規模な検査による安全性検証の重要性を強調している。 本稿では,AV事故記録の因果解析を行うための自動フレームワークACAVを提案する。 我々はアポロADSでACAVを評価し、110件の事故記録の93.64%で5種類の因果事象を特定できることを発見した。
  論文  参考訳（メタデータ） (2024-01-13T12:41:05Z)
• Comparability of Automated Vehicle Crash Databases [0.0]
  本稿では,現在の運転自動化(DA)とベースラインの人間駆動型クラッシュデータベースについて概説する。 また,事故記録から車両識別番号(VIN)を用いて車両の自動化能力を決定する方法についても検討した。 クラッシュデータ収集は、自動露出データの収集、クラッシュデータの広範な収集と電子データレコーダ、クラッシュ定義の標準化によって改善することができる。
  論文  参考訳（メタデータ） (2023-08-01T16:23:06Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Augmenting Ego-Vehicle for Traffic Near-Miss and Accident Classification Dataset using Manipulating Conditional Style Translation [0.3441021278275805]
  事故が起こる前の事故と近距離事故には差はない。 我々の貢献は、事故の定義を再定義し、DADA-2000データセットにおける事故の不整合を再注釈することである。 提案手法は、条件付きスタイル変換(CST)と分離可能な3次元畳み込みニューラルネットワーク(S3D)の2つの異なるコンポーネントを統合する。
  論文  参考訳（メタデータ） (2023-01-06T22:04:47Z)
• 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)

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。