自動運転2026/9/9arXiv:2609.10377

より安全なエンドツーエンド自動運転のためのデータ駆動型リスクフィールド

Data-Driven Risk Fields for Safer End-to-End Autonomous Driving

ルールベースの安全事前分布をペアワイズなリスク順序ラベルに変換し、相対的なリスク順序を保つリスクフィールドを学習することで、エンドツーエンド自動運転の安全性を向上させる手法DRiFを提案した。

詳しい要約

1. どんなもの？

- 提案手法: DRiF (Data-Driven Risk Fields) - 目的: 安全性を向上させる end-to-end autonomous driving のためのリスクフィールドフレームワーク - 特徴: 共有 BEV 特徴を学習し、static map segmentation、dynamic risk prediction、vehicle planning を同時に行う - リスク学習: ルールベースの安全事前分布をペアワイズリスクラベルに変換し、絶対スコアではなく相対的なリスク順序を保持するようにリスクフィールドを訓練 - 検証: Bench2Drive で実験

2. 先行研究と比べてどこがすごい？

- 既存のルールベースリスクモデル: 解釈可能な安全事前分布を提供するが、絶対リスクスコアが手作り関数・係数・閾値に依存 - 既存の学習ベースリスク表現: 手動設計を一部削減するが、監督が occupancy-derived labels や heuristic cost values に依存し、ego-conditioned planning risk を捉えられない可能性 - DRiF の優位性: ルールベースの安全事前分布をペアワイズリスクラベルに変換し、相対リスク順序を保持することで、手作り絶対スコアの回帰を回避 - 結果: Bench2Drive で競争力のある全体性能、driving score、success rate、衝突関連指標の一貫した改善

3. 技術・手法の肝は？

- 共有 BEV 特徴を学習し、static map segmentation、dynamic risk prediction、vehicle planning を統合 - 動的リスク学習: ルールベースの安全事前分布をペアワイズリスクラベルに変換 - リスクフィールドの訓練: 手作り絶対スコアを回帰するのではなく、相対リスク順序を保持するように学習 - これにより、明示的な安全構造と end-to-end planning を接続

4. どうやって有効だと検証した？

- データセット: Bench2Drive を使用 - 評価指標: driving score、success rate、衝突関連指標 - 結果: 競争力のある全体性能を示し、これらの指標で一貫した改善を達成 - 有効性: 相対リスク監督が明示的な安全構造と end-to-end planning を結びつける効果的な方法であることを確立

5. 議論はある？

- 要旨からは不明 - ただし、相対リスク監督が有効であると主張し、データとコードを公開予定と述べている

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: ルールベースリスクモデル、学習ベースリスク表現、occupancy-derived labels、heuristic cost values - 関連手法: Bench2Drive ベンチマーク - 同分野の定番: end-to-end autonomous driving、BEV 特徴学習、risk-aware planning

※ 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: Yuanxin Tian, Zhiyuan Liu, Jinhao Li, Zhenhua Xu, Wenhao Yu, Jianqiang Wang

分類: cs.RO, cs.CV

原文アブストラクト

Safety is a fundamental requirement for autonomous driving, yet existing end-to-end driving models still lack explicit risk-aware learning capacities. Existing rule-based risk models provide interpretable safety priors, yet their absolute risk scores depend on handcrafted functions, coefficients, and thresholds. Learning-based risk representations reduce part of this manual design, but their supervision often relies on occupancy-derived labels or heuristic cost values, which may not capture ego-conditioned planning risk. In this paper, we propose DRiF, a data-driven risk-field framework for safer end-to-end autonomous driving. DRiF learns a shared BEV feature with static map segmentation, dynamic risk prediction, and vehicle planning. For dynamic risk learning, DRiF converts rule-based safety priors into pairwise risk labels, and trains the risk field to preserve relative risk ordering instead of regressing handcrafted absolute scores. Experiments on Bench2Drive show that DRiF achieves competitive overall performance, with consistent improvements in driving score, success rate, and collision-related metrics. These results establish relative risk supervision as an effective way to connect explicit safety structure with end-to-end planning. The data and code will be publicly available.

arXivで原文を読む →arXiv概要ページ