CARVE: 通过包络实现交互式驾驶中否决操作的认证经济修复
摘要
CARVE是一个用于自动驾驶的认证框架,为多智能体修复提供运行时证明,在INTERACTION回放场景中接受98.64%的初始否决操作,且无需预测其他驾驶员的合规性。
查看缓存全文
缓存时间: 2026/06/15 09:03
论文页面 - CARVE:通过包络实现交互式驾驶中被否决机动动作的可认证经济修复
来源:https://huggingface.co/papers/2606.02641
摘要
交互式驾驶场景揭示了自动驾驶规则系统中的失效模式:即使非优先车辆做出微小的合法让步即可恢复可行性,但本车的硬规则裕度可能为负。现有规则书、防护盾和可达性过滤器在否决不安全行为方面表现强劲,而基于预测的规划器则对可能的反应进行建模。两者均不返回运行时证明对象,用以说明哪些有界多智能体编辑修复了该机动动作、编辑的归属方、该请求是否具有路权经济性,以及若请求未被遵守时本车的备用方案。我们将这一缺失的对象定义为交互式修复认证,并引入CARVE,一个在由本车所有和智能体所有的战术算子构成的有限格上无预测的认证层。智能体所有的请求仅在合作包络 (B_j(s) = β(π_j)α_j^{\max}(s)) 内可被允许,该包络将运动学可达性与规范性优先权分离。生成的证书记录了约束规则、修复类别、修复集合、责任加权成本分配及备用方案。在 589 个基于 Lanelet2 几何的 INTERACTION 重放片段上,CARVE-Greedy 接受了 98.64% 最初被否决的机动动作,恢复了 370/378 个人类解决的正确否决,同时保持了 589/589 路权尊重、零优先智能体误报以及 400/400 负应激否决。我们证明了证书的合理性、结构性的路权尊重、精确的有限格最小性、备用应对方案以及归责一致性条件。CARVE 不预测也不要求其他驾驶员的服从;它仅认证在声明的假设下,所提议的交互是否是有界的、可归因的且规范性可接受的。
查看 arXiv 页面 (https://arxiv.org/abs/2606.02641) · 查看 PDF (https://arxiv.org/pdf/2606.02641) · 项目页面 (https://huggingface.co/datasets/DISLab/VRAG-Bench) · 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.02641)
在你的智能体中获取此论文:
hf papers read 2606.02641
没有最新版 CLI?curl -LsSf https://hf.co/cli/install.sh | bash
引用此论文的模型0
没有模型链接到此论文
请在模型 README.md 中引用 arxiv.org/abs/2606.02641 以在此页面进行链接。
引用此论文的数据集0
没有数据集链接到此论文
请在数据集 README.md 中引用 arxiv.org/abs/2606.02641 以在此页面进行链接。
引用此论文的 Spaces0
没有 Space 链接到此论文
请在 Space README.md 中引用 arxiv.org/abs/2606.02641 以在此页面进行链接。
包含此论文的收藏0
没有包含此论文的收藏
请将此论文添加到收藏 (https://huggingface.co/new-collection) 中以便在此页面进行链接。
相似文章
CARVE-Q:量子提议、经典认证的交互式驾驶修复
CARVE-Q 引入了一个量子AI搜索层,用于经过认证的交互式驾驶修复,在修复格上使用量子最小值查找,同时保持安全权威的经典性。它为被否决的机动提供结构化证书,在 INTERACTION 重放场景中实现了100%的路权尊重和责任一致性。
当共享回放在防御性驾驶评估中失败:NAVSIM 评分基础审计
本文对NAVSIM v2.2的防御性驾驶评分进行了审计,表明共享的参考条件化宽恕规则与数值不稳定性相结合,可能导致无视交通参与者的探针得分高于人类重放,从而削弱基准测试的有效性。
CAVA:面向智能体AI系统运行时治理的规范动作验证与证明
本文提出了规范动作验证与证明(CAVA),这是一种运行时语义层,将异构智能体活动转换为用于治理的规范运行时动作对象,从而在多样化的AI执行环境中实现一致的审批绑定、凭证可再现性和策略执行。
自动驾驶 VLM 中用于可验证推理的未来轨迹延迟暴露
介绍了 AD-MCQ 和 DEFT-RLVR,一种用于自动驾驶 VLM 可验证推理的方法,将未来轨迹暴露延迟到决策后验证,从而提高推理忠实度并减少幻觉。
PersonaDrive:面向闭环驾驶仿真的基于人类风格的检索增强VLA智能体
本文介绍了PersonaDrive,一种将视觉-语言-动作(VLA)驾驶智能体基于从风格引导的人类驾驶数据集中检索到的演示进行条件化的流程,从而能够为闭环仿真提供风格多样的非自车智能体,并在Bench2Drive上提升了驾驶评分。