自動運転/安全支援2026/5/1arXiv:2605.27948

VLMを用いた二輪車安全運転支援システム

VLM-Based Advanced Rider Assistance System for Motorcycle Safety

二輪車の事故リスク低減のため、視覚言語モデルとセグメンテーションを組み合わせてリスクマップを生成し、二輪車の動特性に合わせたプランナーで安全な運転行動を推薦するシステムを提案した。

詳しい要約

1. どんなもの？

- 二輪車向けの先進ライダー支援システム（ARAS）を提案。 - Vision-Language Models (VLMs) とセグメンテーション検出を統合し、文脈的な危険推論を行う。 - 密なリスクマップを構築し、セマンティック特性（ポットホールの深刻度、水たまりの滑りやすさ）と物理的属性（サイズ、深さ）を符号化。 - ピクセル単位のハザードコストを生成し、二輪車特有のリスクを捉える。 - サンプリングベースのプランナーでスロットルとステアリング操作を推奨。

2. 先行研究と比べてどこがすごい？

- 従来のARASはADASに比べ未発達。 - 既存手法と比べ、VLMによる文脈的危険推論とセグメンテーションを組み合わせ、二輪車特有のリスクを考慮したリスクマップを生成。 - ベースラインと比較して、より高い成功率と低いハザード曝露を達成。 - 解釈可能なリスクマップと安全な軌道推奨を定性的に示す。

3. 技術・手法の肝は？

- Vision-Language Models (VLMs) を活用し、文脈的な危険推論を実行。 - セグメンテーションに基づく検出と統合し、密なリスクマップを構築。 - リスクマップはセマンティック特性（例：ポットホールの深刻度、水たまりの滑りやすさ）と物理的属性（例：サイズ、深さ）を符号化。 - ピクセルごとのハザードコストを生成し、二輪車特有のリスクを反映。 - サンプリングベースのプランナーを二輪車のダイナミクスに適合させ、ハザード曝露を最小化しつつ目的地へ進むスロットルとステアリング操作を推奨。

4. どうやって有効だと検証した？

- CARLAシミュレータで異なるシナリオを評価。 - ベースライン手法と比較し、成功率が高く、ハザード曝露が低いことを確認。 - 定性的結果として、解釈可能なリスクマップと安全な軌道推奨を示す。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、Vision-Language Models (VLMs)、セグメンテーション、サンプリングベースのプランナー、CARLAシミュレータが挙げられる。 - 同分野の定番として、Advanced Driver Assistance Systems (ADAS) や既存のARAS研究が考えられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Mohamed Elnoor, Francesca Baldini, Ananya Trivedi, Faizan M. Tariq, Jovin D'sa, David Isele, Sangjae Bae, Dinesh Manocha, Yosuke Sakamoto

分類: cs.RO

原文アブストラクト

Motorcycles face disproportionately high crash risks compared to cars due to limited protection and heightened sensitivity to surface hazards, yet Advanced Rider Assistance Systems (ARAS) remain underdeveloped relative to Advanced Driver Assistance Systems (ADAS). We propose a novel ARAS that enhances motorcycle safety through semantic perception and risk-aware planning. Our approach leverages Vision-Language Models (VLMs) for contextual hazard reasoning and integrates them with segmentation-based detection to construct dense risk maps. These maps encode both semantic characteristics (e.g., pothole severity, puddle slipperiness) and physical attributes (e.g., size, depth), which produce per-pixel hazard costs that capture motorcycle-specific risks. These maps are used by a sampling-based planner tailored to motorcycle dynamics to recommend throttle and steering actions that minimize hazard exposure while advancing toward the destination. We evaluate our system in different scenarios in the CARLA simulator. Compared to the baseline method, our method achieves higher success rates and lower hazard exposure, while qualitative results demonstrate interpretable risk maps and safe trajectory recommendations.

arXivで原文を読む →arXiv概要ページ

← 論文一覧