論文の概要: Corridor-Based Monitoring and Emergency Braking Decision for Automated Vehicle Safety

• arxiv url: http://arxiv.org/abs/2611.06287v1
• Date: Wed, 04 Nov 2026 10:24:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.057586
• Title: Corridor-Based Monitoring and Emergency Braking Decision for Automated Vehicle Safety
• Title（参考訳）: 自動車両安全のための回廊監視と緊急ブレーキ決定
• Abstract要約: 本稿では,予測された移動回廊を用いて計測結果をフィルタリングし,エゴ車両がブレーキを踏まなければならないかどうかを判定する緊急ブレーキ手法を提案する。 モンテカルロシミュレーションでは、リード-車両のブレーキと横方向の衝突のブレーキ決定が評価されている。
• 参考スコア（独自算出の注目度）: 26.17833899315527
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses emergency-braking decisions for a redundant safety channel in automated vehicles. The channel is responsible for identifying hazards from sensor data and determining whether braking is necessary, given the constrained computational resources of embedded hardware. We present an emergency-braking approach that uses a predicted motion corridor to filter \ac{lidar} measurements and then decide whether the ego vehicle must brake. \ac{pmcm} constructs a curvature-aware boundary from the planned path and vehicle geometry so that the monitored region contains the full swept body on both straight and curved paths. \ac{gdeta} then decides whether the ego vehicle must command an emergency brake for objects inside this boundary, scoring geometric occupancy and temporal urgency independently. Hard gates permit braking when either source is conclusive; soft-OR arbitration combines partial evidence when neither gate is active. Consecutive-scan confirmation reduces sensitivity to transient measurement noise. Corridor coverage is evaluated in controlled collision simulations and recorded campus driving. Braking decisions are evaluated in Monte Carlo simulations of lead-vehicle braking and transverse-crossing encounters.
• Abstract（参考訳）: 本稿では,自動走行車における冗長な安全チャンネルの緊急ブレーキ決定について述べる。 このチャネルは、組み込みハードウェアの制約された計算資源を考えると、センサデータからハザードを識別し、ブレーキが必要かどうかを判断する責任がある。 本稿では,予測運動回廊を用いて<ac{lidar}測定をフィルタリングし,エゴ車両がブレーキする必要があるかどうかを判定する緊急ブレーキ手法を提案する。 \ac{pmcm} は、計画された経路と車両形状から曲率を意識した境界を構築し、モニターされた領域は、直線と湾曲した経路の両方に、全球体を含むようにした。 次に \ac{gdeta} は、エゴ車両がこの境界内にある物体に対して緊急ブレーキを指示しなければならないかどうかを判断し、幾何学的占有率と時間的緊急度を独立に評価する。 ハードゲートは、どちらかのソースが決定的であればブレーキを許す;ソフトまたは仲裁は、どちらのゲートもアクティブでないときに部分的な証拠を組み合わせる。 連続スキャン確認は過渡的な測定ノイズに対する感度を低下させる。 制御された衝突シミュレーションと記録されたキャンパス運転において, 回廊被覆が評価される。 モンテカルロシミュレーションでは、リード-車両のブレーキと横方向の衝突のブレーキ決定が評価されている。

関連論文リスト

• TraceRouter++: Causal Semantic Routing Realignment via Optimal Transport [53.66004680290163]
  Trace++は、大規模な基盤モデルのためのルーティングレベルの安全介入フレームワークである。 有害な入力の下で活性化される安全関連因果経路を辿り、安全でない活性化状態を認識する。 本手法は,計算経路をそのまま残しながら,悪意あるセマンティックフローを安全にリダイレクトする。
  論文  参考訳（メタデータ） (2026-11-03T13:30:34Z)
• Perceives but Doesn't Brake: A Perception-Action Binding Gap in Reasoning Driving VLAs [20.135982960460943]
  VLA(Reasoning-augmented Vision-Language-action)の運転モデルは、安全上の危険について認識し、推論するが、その証拠を安全な行動に変換することはできない。 経路内ハザードは、実際には視覚表現に符号化されているが、縦型プランはエゴスピード履歴に支配されている。 本稿では、この知覚-作用結合ギャップをブリッジする簡単な修正法を提案する。
  論文  参考訳（メタデータ） (2026-10-20T13:21:14Z)
• 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)
• 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)
• Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
  都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。 5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
  論文  参考訳（メタデータ） (2024-04-22T18:45:40Z)
• Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction [0.0]
  MDDRA(Multi-class Driver Distraction Risk Assessment)モデルは、旅行中の車両、運転者、環境データを考慮したモデルである。 MDDRAは、危険行列上のドライバーを安全、不注意、危険と分類する。 我々は、重度レベルに応じて運転者の気晴らしを分類し、予測するために機械学習技術を適用した。
  論文  参考訳（メタデータ） (2024-02-20T23:20:36Z)
• 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)
• Computer Vision based Accident Detection for Autonomous Vehicles [0.0]
  ダッシュボードカメラを用いて車両事故を検出する自動運転支援システムを提案する。 このフレームワークは、ダッシュカム映像のカスタムデータセットでテストされ、誤報率を低く保ちながら、高い事故検出率を達成する。
  論文  参考訳（メタデータ） (2020-12-20T08:51:10Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。