PyTorchKR Papers

업데이트된 논문

총 14편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2502.07807v2cs.CR

CP-Guard+: A New Paradigm for Malicious Agent Detection and Defense in Collaborative Perception

Collaborative perception (CP) is a promising method for safe connected and autonomous driving, which enables multiple vehicles to share sensing information to enhance perception performance. However, compared with single-vehicle perception, the openness of a CP system makes it more vulnerable to malicious attacks that can inject malicious information to mislead the perception of an ego vehicle, resulting in severe risks for safe driving. To mitigate such vulnerability, we first propose a new paradigm for malicious agent detection that effectively identifies malicious agents at the feature level without requiring verification of final perception results, significantly reducing computational overhead. Building on this paradigm, we introduce CP-GuardBench, the first comprehensive dataset provided to train and evaluate various malicious agent detection methods for CP systems. Furthermore, we develop a robust defense method called CP-Guard+, which enhances the margin between the representations of benign and malicious features through a carefully designed Dual-Centered Contrastive Loss (DCCLoss). Finally, we conduct extensive experiments on both CP-GuardBench and V2X-Sim, and demonstrate the superiority of CP-Guard+.

arXiv:2212.06123v5cs.LG

Security of Deep Reinforcement Learning for Autonomous Driving: A Survey

Reinforcement learning (RL) enables agents to learn optimal behaviors through interaction with their environment and has been increasingly deployed in safety-critical applications, including autonomous driving. Despite its promise, RL is susceptible to attacks designed either to compromise policy learning or to induce erroneous decisions by trained agents. Although the literature on RL security has grown rapidly and several surveys exist, existing categorizations often fall short in guiding the selection of appropriate defenses for specific systems. In this work, we present a comprehensive survey of 86 recent studies on RL security, addressing these limitations by systematically categorizing attacks and defenses according to defined threat models and single- versus multi-agent settings. Furthermore, we examine the relevance and applicability of state-of-the-art attacks and defense mechanisms within the context of autonomous driving, providing insights to inform the design of robust RL systems.

arXiv:2505.16498v2cs.RO

지식 표현과 대규모 언어 모델을 활용한 자율주행용 인간 유사 의미 기반 내비게이션

Human-like Semantic Navigation for Autonomous Driving using Knowledge Representation and Large Language Models

자율주행차의 완전 자동화는 여전히 과제이며, 특히 내비게이션에 실시간 적응성이 요구되는 동적인 도시 환경에서 그러하다. 기존 시스템은 사전에 정의된 지도 정보에 크게 의존하기 때문에, 도로 구조의 예측 불가능한 변화, 즉흥적인 우회, 지도 데이터 누락에 직면하면 내비게이션 계획을 처리하는 데 어려움을 겪는다. 본 연구에서는 비정형 내비게이션 지시를 구조화된 논리 기반 추론으로 변환함으로써 대규모 언어 모델을 사용해 Answer Set Programming 규칙을 생성하는 방안을 탐구한다. ASP는 비단조 추론을 제공하여 자율주행차가 사전 정의된 지도에 의존하지 않고도 변화하는 시나리오에 적응할 수 있게 한다. 우리는 LLM이 실제 도시 주행 논리를 형식적 지식 표현으로 인코딩하는 ASP 제약을 생성하는 실험적 평가를 제시한다. 비정형 내비게이션 지시를 논리 규칙으로 자동 변환함으로써 본 방법은 자율 내비게이션의 적응성과 설명 가능성을 향상시킨다. 결과는 LLM 기반 ASP 규칙 생성이 의미 기반 의사결정을 지원하며, 인간이 내비게이션 의도를 전달하는 방식과 밀접하게 부합하는 동적 내비게이션 계획용 설명 가능한 프레임워크를 제공함을 보여준다.

arXiv:2505.15275v2cs.RO

학습 기반 자율 오버스티어 제어 및 충돌 회피

Learning-based Autonomous Oversteer Control and Collision Avoidance

오버스티어는 차량의 뒷바퀴가 접지력을 잃어 의도하지 않은 과도한 요 회전을 유발하는 현상으로, 중대한 안전 문제를 야기한다. 오버스티어를 제어하지 못하면 심각한 교통사고로 이어지는 경우가 많다. 최근 자율주행 연구는 안정화 기동을 통해 오버스티어를 다루려 했으나, 대부분 전문가가 정의한 궤적에 의존하거나 장애물이 없는 환경을 가정하여 실제 적용성이 제한된다. 본 논문은 오버스티어 제어와 충돌 회피를 동시에 해결하는 새로운 종단간(E2E) 자율주행 접근법을 제안한다. 모방 학습(IL), 강화학습(RL), 하이브리드 학습(HL)을 포함한 기존 E2E 기법은 일반적으로 거의 최적에 가까운 시연이나 방대한 경험을 필요로 한다. 그러나 숙련된 인간 운전자조차 오버스티어 상황에서 완벽한 시연을 제공하기 어렵고, 높은 전이 분산은 충분한 데이터의 축적을 방해한다. 이에 본 연구는 미숙한 시연 데이터로부터 효과적으로 학습하고 새로운 조건에 빠르게 적응하는 새로운 HL 알고리즘인 Q-Compared Soft Actor-Critic(QC-SAC)을 제시한다. QC-SAC를 평가하기 위해, 실제 운전자 훈련에서 착안한 벤치마크를 도입한다. 이 벤치마크에서 차량은 미끄러운 노면에서 갑작스러운 오버스티어를 겪으며 전방에 무작위로 배치된 장애물을 피해야 한다. 실험 결과 QC-SAC는 거의 최적에 가까운 주행 정책을 달성하여 최신 IL, RL, HL 기준 모델을 크게 능가한다. 물리적 조향 하드웨어를 사용한 하드웨어 인 더 루프 시뮬레이션(HILS) 검증은 QC-SAC가 소프트웨어 전용 시뮬레이션을 넘어 작동할 수 있음을 추가로 보여 주며, 실제 차량 구현을 향한 중간 단계의 검증을 제공한다. 우리가 아는 한, 본 연구는 오버스티어 상태에서 장애물을 동시에 회피하면서 차량의 안전한 자율 제어를 달성한 최초의 연구이다.

arXiv:2607.14203v2cs.GR

Instant NuRec: 주행 장면 시뮬레이션을 위한 피드포워드 3D Gaussian 재구성

Instant NuRec: Feed-Forward 3D Gaussian Reconstruction for Driving Scene Simulation

3D 시뮬레이션 플랫폼은 end-to-end 정책 평가(evaluation)를 가능하게 하여 개발 비용을 줄이고 안전성을 향상시키기 때문에 자율주행에 핵심적이다. 최근 몇 년간 신경 시뮬레이션이 주류가 되었고, NuRec와 같은 방법이 중심적인 역할을 하고 있다. 그러나 이러한 방법들은 여전히 상대적으로 느리고, 일반적으로 장면별 튜닝이 필요하다. 본 연구에서는 단일 순전파(forward pass)로 짧은 다시점(multi-view) 주행 로그를 완전히 시뮬레이션 가능한 3D Gaussian Splatting(3DGS) 세계로 변환하는 피드포워드 신경 재구성 모델인 Instant NuRec를 제안한다. 이 모델은 보정된 카메라 리그의 다시점 입력을 받아 정적 및 동적 3DGS 레이어, 스카이 큐브맵(sky cubemap), 카메라별 ISP 보정으로 구성된 계층적 출력을 생성하며, 3DGUT를 통해 비 핀홀(non-pinhole) 카메라 모델에 대한 네이티브 지원을 제공한다. 이 모델은 10–20초 길이의 다중 카메라 장면을 약 1.5초 만에 재구성하며, Waymo Open 데이터셋에서 평가된 가장 강력한 기준선보다 PSNR이 2.01 dB 높은 성능을 달성한다. Instant NuRec는 NuRec에 깊이 통합되어 있으며, 폐루프(closed-loop) 시뮬레이션을 위해 AlpaSim과 호환된다.

arXiv:2606.03159v4cs.CV

NVIDIA OmniDreams: 폐루프 자율주행 차량 시뮬레이션을 위한 실시간 생성형 월드 모델

NVIDIA OmniDreams: Real-Time Generative World Model for Closed-Loop Autonomous Vehicle Simulation

자율주행 차량의 능력이 발전함에 따라, 롱테일 시나리오에서 주행 정책의 안전한 평가는 여전히 핵심 병목으로 남아 있다. 폐루프(closed-loop) 시뮬레이션에서는 주행 정책 모델이 환경과 능동적으로 상호작용하며, 그 행동이 시뮬레이터 상태를 동적으로 갱신하고 다음에 생성되는 센서 관측값에 직접 영향을 미친다. 최근의 재구성(reconstruction) 기반 신경망 시뮬레이터는 사실적인 시각 품질(photorealism)을 제공하지만, 근본적으로 초기 캡처 데이터에 제약받으며 고도로 동적인 장면이나 새로운 장면으로의 일반화에 어려움을 겪는다. 이러한 한계를 극복하기 위해, 우리는 OmniDreams를 제안한다. OmniDreams는 Cosmos 확산(diffusion) 모델로부터 중간 학습 및 사후 학습된 기반 생성형 월드 모델로, 실시간으로 행동 조건부(action-conditioned) 영상을 자기회귀(autoregressively)적으로 생성한다. Cosmos의 풍부한 시각적 사전 지식(prior)을 활용하고 2만 1천 시간의 주행 시나리오에 대한 중간 학습 및 사후 학습을 통해, OmniDreams는 극한 기상 조건이나 예측 불가능한 동적 에이전트 행동과 같이 기존 시뮬레이터가 포착하기 어려운 복잡하고 관측되지 않은 현상을 합성한다. 중요하게도, OmniDreams는 과거 프레임, 현재 시뮬레이터 상태, 그리고 즉각적인 주행 행동에 조건을 걸어 사실적인 센서 데이터 생성을 자기회귀적으로 수행한다. Alpamayo 1 정책 모델과 AlpaSim 오케스트레이터와 함께 폐루프 시스템에 배치되었을 때, OmniDreams는 고도로 반응적인 환경으로 작동하며, 차세대 자율주행 정책의 학습과 평가를 위한 확장 가능하고 포괄적인 솔루션을 제공한다. 또한 OmniDreams로부터 사후 학습된 월드-행동 모델(WAM)이 Physical AI Autonomous Vehicles NuRec 데이터셋에서 강력한 성능을 달성하며, 총 파라미터 수의 1/5만 사용하면서 VLA 기반 Alpamayo 1.5 연구용 정책 모델을 능가한다는 예비 결과를 제시한다. 이 결과는 OmniDreams와 같은 실시간 월드 모델이 정책 아키텍처의 백본(backbone)으로도 활용될 수 있는 잠재력을 보여준다.

arXiv:2504.09341v2cs.LG

소수 의견 보고서: 정답 데이터 주석에서 비용과 품질의 균형

Minority Reports: Balancing Cost and Quality in Ground Truth Data Annotation

데이터 주석은 기계학습 기반 기술을 개발하는 데 필수적이지만 비용이 많이 드는 요소로, 데이터셋의 각 데이터 점에 여러 작업자가 반복적으로 레이블을 달아야 한다. 우리는 기준 다수결 레이블과 불일치하는 작업자 응답인 소수 의견 보고서(minority reports)를 식별하여 주석 정확도와 비용 간의 상충 관계를 탐구한다. 이러한 보고서는 불필요한 중복을 나타낼 수 있으며, 따라서 실행되기 전에 선제적으로 제거될 수 있다. 우리는 목표 레이블 품질에서 한 과제에 필요한 반복 주석 횟수와 제거 정책을 선택하기 위한 이론적 프레임워크를 개발한다. 전문 플랫폼을 통해 재주석된 두 컴퓨터 비전 데이터셋에서 소수 의견 보고서의 위험을 추정한 뒤, 할당 스트림에 대해 롤링 정책을 평가하여 기준 다수결 레이블의 99.9% 이상을 보존하면서 반복 작업의 35% 이상을 제거한다.

arXiv:2607.22698v2cs.CV

FogDrive: 단계적 안개 조건에서의 인식을 위한 멀티모달 합성 주행 데이터셋

FogDrive: A Multi-Modal Synthetic Driving Dataset for Perception under Graded Fog

안개는 자율주행 인식 성능을 여러 모달리티에 걸쳐 저하시킨다. 이미지 대비를 낮추고, LiDAR 반사 신호를 감쇠·산란시키며, 하위의 모든 학습 모듈의 입력 분포를 변화시킨다. 저하된 입력을 복원할지 그대로 학습할지 선택하려면, 알려진 강도에서 안개가 있을 때와 없을 때 관측한 동일한 장면과 학습에 충분한 안개 데이터가 필요하다. 실제 환경의 수집으로는 이를 얻을 수 없다. 안개는 조명 및 교통과 얽혀서 나타나고, 강도는 선택되는 것이 아니라 기록될 뿐이다. 기존 합성 데이터셋은 센서 구성, 규모, 또는 강도 범위가 제한적이다. 우리는 약 660개 장면(약 13.3만 프레임)으로 이루어진 CARLA 데이터셋 FogDrive를 제시한다. 각 장면은 맑은 기준 장면과 보정된 세 가지 안개 농도로 공개되며, 카메라와 LiDAR에 물리 기반 안개를 적용하고 모든 변형에 걸쳐 일관된 2D/3D 주석을 제공한다. 모든 프레임에는 네 대의 카메라(RGB, 깊이, 시맨틱), LiDAR, 시맨틱 LiDAR, 레이더가 포함되어, 심하게 저하되는 카메라부터 대체로 영향을 받지 않는 레이더까지 안개에 대한 반응 스펙트럼을 아우른다. FogDrive로 학습한 실험은 안개 농도를 혼합하면 추가 데이터 비용 없이 3D 검출이 향상되고, PSNR과 SSIM은 안개 제거기(dehazer)의 검출 이득을 잘 예측하지 못하며, 레이더가 모든 농도에서 카메라-LiDAR 융합을 개선함을 보여 준다. 데이터셋과 그 생성 프레임워크를 공개할 예정이다.

arXiv:2606.12616v2cs.AI

PersonaDrive: 폐루프 주행 시뮬레이션을 위한 인간 스타일 검색-증강 VLA 에이전트

PersonaDrive: Human-Style Retrieval-Augmented VLA Agents for Closed-Loop Driving Simulation

폐루프 주행 시뮬레이터는 대부분 규칙 기반이든 학습 기반이든 비슷하게 행동하는 교통 에이전트로 환경을 채운다. 주행 스타일을 제어하는 최근 방법은 기존 주행 기록에서 추론한 레이블, 각 스타일을 반영하도록 생성한 합성 데이터, 또는 대규모 언어 모델(LLM)이 추정한 보상 가중치로부터 스타일을 학습한다. 이는 모두 해당 스타일로 운전하도록 지시받은 사람들의 기록이 아닌 스타일에 대한 간접적 추정이다. 본 논문은 검색된 인간 시연에서 스타일을 가져오는 비전-언어-행동(VLA) 주행 에이전트 PersonaDrive를 소개한다. 시연은 참가자 15명이 보수적, 중립적, 공격적 지시 아래 주행 시뮬레이터에서 CARLA 경로를 운전한 새로운 데이터셋에서 얻었다. PersonaDrive는 고정된 이미지 인코더의 특징과 스타일별 데이터베이스에 대한 제어 신호로 경량 검색 헤드를 학습하고, 검색된 시연을 바탕으로 하나의 VLA 백본을 미세 조정한다. 스타일을 바꾸려면 다른 FAISS 인덱스를 검색하기만 하면 되며 재학습은 필요 없다. 스타일 조건화가 없는 Bench2Drive 벤치마크에서 PersonaDrive는 Driving Score를 SimLingo보다 4.6%, HiP-AD보다 2.5% 향상시키며, 검색 없는 미세 조정으로는 이 이득이 재현되지 않는다. 스타일 조건화를 적용하면 PersonaDrive는 모든 스타일에서 가장 강력한 기준선인 Drive My Way를 능가하며 Driving Score가 6.7%에서 11.6% 더 높다. 또한 평균 속도가 보수적 스타일에서 공격적 스타일로 갈수록 19.8% 상승하므로 주행이 지시를 따른다. 각 교통 에이전트는 주행 정책으로서 개별적으로 평가된다. 데이터셋과 모델 가중치는 프로젝트 페이지 https://pervasiveautonomylab.github.io/personadrive-landpage/ 에서 이용할 수 있다.

arXiv:2510.04532v3cs.AI

보이는 것 그 이상인가? 비전-언어 주행 모델 학습에서 추론과 계획 간의 단절 규명

More Than Meets the Eye? Uncovering the Reasoning-Planning Disconnect in Training Vision-Language Driving Models

비전-언어 모델(VLM) 기반 주행 에이전트는 자연어 추론을 먼저 생성한 뒤 궤적 계획을 예측함으로써 설명 가능한 엔드투엔드 자율주행을 실현할 것으로 기대받고 있습니다. 그러나 계획이 이러한 추론에 의해 인과적으로 구동되는지는 매우 중요하지만 검증되지 않은 가정으로 남아 있습니다. 이를 조사하기 위해, 본 연구에서는 nuPlan으로부터 자동 생성된 계획 정렬 사고의 연쇄(CoT)를 포함하는 대규모 주행 시각적 질의응답(VQA) 코퍼스인 DriveMind를 구축합니다. 본 데이터 생성 과정은 센서와 어노테이션을 정형화된 입력으로 변환하며, 특히 사전 정보(prior)와 추론 대상 신호를 분리하여 명확한 정보 절제(ablation)를 가능하게 합니다. DriveMind를 사용하여 지도 미세조정(SFT) 및 그룹 상대 정책 최적화(GRPO)로 대표적인 VLM 에이전트를 학습시키고 nuPlan 메트릭으로 평가합니다. 안타깝게도 실험 결과는 추론-계획 간의 일관된 인과적 단절을 나타냅니다. 자차(ego)/내비게이션 사전 정보를 제거하면 계획 점수가 크게 하락하는 반면, CoT를 제거해도 점수 변화는 미미합니다. 어텐션 분석 또한 계획 단계가 CoT보다는 주로 사전 정보에 집중함을 보여줍니다. 이러한 증거를 바탕으로, 본 연구는 학습을 통해 산출된 추론이 인과적 매개체가 아니라 부수적인 부산물에 불과하다고 상정하는 '추론-계획 분리 가설(Reasoning-Planning Decoupling Hypothesis)'을 제안합니다. 효율적인 진단을 위해, 사소한 입력 섭동에 대한 계획 강건성을 평가하여 에이전트의 사전 정보 의존도를 측정하는 새로운 학습 무관(training-free) 프로브를 도입합니다. 요약하자면, 본 연구는 향후 모델의 인과적 충실성을 평가할 수 있는 새로운 데이터셋과 진단 도구를 커뮤니티에 제공합니다.

arXiv:2607.24409v2cs.CV

고�급 거리 수준 영상을 활용한 시각적 위치 추정의 정확도 잠재력

Accuracy potential of visual localization exploiting high-end street-level imagery

측량, 자율 항법, 로보틱스, 증강현실 등 많은 응용에는 기준 좌표계에 대한 정확한 자세 정보가 필요하다. 시각적 위치 추정은 가용성과 정확도가 자주 제한되는 GNSS 위치 결정을 보완할 수 있다. 그러나 시각적 위치 추정의 정확도 잠재력은 측량급 요구 사항에 비추어 체계적으로 조사된 적이 없으며, 그러한 조사에 충분히 정확한 정답 자세를 제공하는 공개 대규모 야외 데이터셋도 없다. 우리는 이 두 공백을 모두 다룬다. 첫째, FHNW Muttenz 데이터셋을 제시한다. 이는 약 1.5년 간격의 두 차례 모바일 매핑 캠페인으로 매핑된 연속 10 km 도로망을 포괄하며, 고해상도 기준 영상과 다섯 장면에서 네 대의 카메라로 촬영한 질의 시퀀스를 포함한다. 두 캠페인은 서로 5 mm의 정확도로 정합된다. 질의 영상을 기준 영상에 정합하면 위치 6-9 mm, 방향 0.1{\deg} 훨씬 미만의 정확도를 갖는 정답 자세가 얻어진다. 모든 영상은 약 2.5 cm의 정확도로 지오레퍼런싱되어 있다. 둘째, 이 데이터셋을 사용하여, 검증된 구성요소로 만든 모듈식 파이프라인으로 희소 특징 기반 시각적 위치 추정을 체계적으로 평가하며, 고해상도 기준 영상을 장면 표현으로 직접 사용한다. 주간 영상과 사전 보정된 카메라에서 기준 영상에 대한 자세 오차의 중앙값은 이동 1-5 cm, 회전 0.03-0.1{\deg}이다. 정확하게 지오레퍼런싱된 장면 표현이 주어지면, 시각적 위치 추정은 측량급 GNSS 위치 결정의 정확도에 근접할 뿐 아니라 전체 방향 정보도 제공한다. 데이터셋은 https://fhnw-muttenz-vl-dataset.github.io/ 에서 공개되어 있다.

arXiv:2606.17241v2cs.CV

벤치마크를 넘어서: 임베디드 차량 하드웨어에서의 교통 표지 인식을 위한 연속 엣지 추론

Beyond Benchmarks: Continuous Edge Inference for Traffic Sign Recognition on Embedded Vehicular Hardware

임베디드 차량 하드웨어에 배치된 교통 표지 인식(TSR) 시스템은 스트리밍 비디오에서의 프레임 간 예측 불안정성과 지속 운용 시 부하에 따른 처리량 등, 이미지 기반 벤치마크 평가가 포착하지 못하는 배치 효과에 직면한다. 우리는 희소 검출, 다중 객체 추적, 영역 수준 세분류, 그리고 샘플링된 프레임당 0.07~ms만 추가하는 경량 트랙 인식 시간적 안정화 메커니즘을 결합한, NVIDIA Jetson Orin Nano 기반 TSR용 연속 엣지 추론 시스템 Edge-TSR을 제안한다. INTSD 벤치마크의 원본 비디오로 평가한 결과, 최신 TSR 모델은 이미지 기반 평가에서 스트리밍 평가로 옮겨갈 때 mAP@50이 20-30 퍼센트 포인트 하락함을 확인했다. Edge-TSR은 평가된 모든 기준선 중 최고의 스트리밍 분류 성능을 달성하며, 시간적 안정화는 프레임별 추론 대비 정확도를 10.58 퍼센트 포인트 향상시킨다. 우리는 샘플링 간격과 네 가지 주행 조건에 걸쳐 지연 시간, 처리량, 열 특성을 분석하여, 처리량이 부하에 비례하며(분류 영역당 20 ms) 매 프레임 추론이 열 스로틀링이 아니라 처리량에 의해 제한됨을 보인다. 55분, 26 km의 차량 배치 실험은 클라우드 오프로딩 없이 안전한 열 한계 내에서 16.18 FPS의 지속적인 온라인 운용이 가능함을 보여 준다. 또한 주석이 달린 50,732 프레임의 스트리밍 평가 데이터셋과 전체 구현을 공개한다.

arXiv:2503.07338v5cs.RO

Aligned Delta-Triplane Transformers as Occupancy World Models

Occupancy World Models (OWMs) aim to predict future 3D occupancy scenes from historical observations and future ego motions, providing a useful world simulation tool for autonomous driving. Existing methods usually rely on large networks to implicitly align multi-frame historical states and predict future occupancy in a full-state manner, which is costly and redundant because most scene regions remain unchanged over short time intervals. In this paper, we propose Aligned Delta-Triplane Transformer (ADTT), a compact 4D OWM that explicitly aligns historical triplanes with ego-motion compensation and predicts only future scene changes. Based on the aligned triplane prior, a query-conditioned Transformer predicts residual changes, where ego-motion queries guide controllable future motion and learnable external queries capture scene changes beyond ego motion. The predicted changes are added to the aligned prior and decoded into future occupancy scenes. Experiments on Occ3D-nus show that ADTT achieves state-of-the-art forecasting performance with fewer parameters and higher FPS. Our code is publicly available online: https://github.com/kyoran/ADTT.

arXiv:2412.07768v4cs.CV

Test-time Correction: An Online 3D Detection System via Visual Prompting

This paper introduces Test-time Correction (TTC), an online 3D detection system designed to rectify test-time errors using various auxiliary feedback, aiming to enhance the safety of deployed autonomous driving systems. Unlike conventional offline 3D detectors that remain fixed during inference, TTC enables immediate online error correction without retraining, allowing autonomous vehicles to adapt to new scenarios and reduce deployment risks. To achieve this, we equip existing 3D detectors with an Online Adapter (OA) module -- a prompt-driven query generator for real-time correction. At the core of OA module are visual prompts: image-based descriptions of objects of interest derived from auxiliary feedback such as mismatches with 2D detections, road descriptions, or user clicks. These visual prompts, collected from risky objects during inference, are maintained in a visual prompt buffer to enable continuous correction in future frames. By leveraging this mechanism, TTC consistently detects risky objects, achieving reliable, adaptive, and versatile driving autonomy. Extensive experiments show that TTC significantly improves instant error rectification over frozen 3D detectors, even under limited labels, zero-shot settings, and adverse conditions. We hope this work inspires future research on post-deployment online rectification systems for autonomous driving.