運転者の知覚リスクと物理リスクの融合による自動運転向け安全臨界シナリオ選別

自動運転テストのため、大規模自然走行データから安全クリティカルなシナリオを効率的にスクリーニングする手法を提案。 - 訓練時は改良した Driver Risk Field と動的コストモデルで高品質なリスク監督信号を生成。 - 推論時はシナリオレベルのリスクスコアを高速順伝播で直接予測し、フレーム単位のリスク計算を回避。 - 大規模ランキングと検索を可能にし、手動リスク注釈や高コストなフレーム単位評価への依存を低減。

既存のスクリーニングパイプラインは手動リスク注釈と高コストなフレーム単位リスク評価に依存し、効率が低くリスク定量の根拠が弱い。 - 提案法は訓練時に高品質なリスク監督信号を生成し、推論時はシナリオレベルで直接予測するため、フレーム単位計算を不要に。 - INTERACTION と FLUID データセットで、より滑らかで識別性の高いリスク推定を実現。 - FLUID で AUC 0.792、AP 0.825 を達成し、PODAR をそれぞれ 9.1%、5.1% 上回る。

訓練時に改良 Driver Risk Field と動的コストモデルを組み合わせて高品質なリスク監督信号を生成。 - 改良 Driver Risk Field は新しい risk height function と速度適応型 look ahead 機構を導入。 - 動的コストモデルは kinetic energy、oriented bounding box 制約、Gaussian kernel diffusion smoothing を統合し、相互作用モデリングを高精度化。 - 推論時は高速順伝播でシナリオレベルリスクスコアを直接予測。 - risk trajectory cross attention decoder を設計し、リスクと軌跡を共同でデコード。

INTERACTION と FLUID データセットで実験。 - 提案法はより滑らかで識別性の高いリスク推定を生成。 - FLUID で AUC 0.792、AP 0.825 を達成。 - PODAR と比較して AUC で 9.1%、AP で 5.1% 向上。 - スケーラブルなリスクラベリングと危険シナリオスクリーニングへの有効性を実証。

要旨からは不明。 - 提案法の限界や失敗ケース、計算コスト、一般化性に関する議論は要旨に記載なし。 - 手動注釈との比較や他のベースラインとの詳細な議論も要旨からは不明。

要旨で参照/比較されている研究: PODAR。 - 関連手法として、Driver Risk Field、動的コストモデル、risk trajectory cross attention decoder が挙げられる。 - データセット: INTERACTION、FLUID。 - 同分野の定番として、自然走行データからの安全クリティカルシナリオマイニングやリスク評価に関する研究が次に読むべき候補。