エンドツーエンド自動運転システム（ADS）は、環境認識能力および汎化可能な運転意思決定能力に優れているため、学術界および産業界からの注目が高まっている。しかし、実際に公道に導入された場合、ADSは多様な運転リスクに常にさらされることとなり、これが安全性の低下やシステム性能の劣化を引き起こす可能性がある。このような状況から、ADSのレジリエンス（耐障害性）に対する強い要請が生じており、特に複雑な走行状況下で安全な運転行動を維持するためには、継続的に運転リスクを監視し、潜在的な安全違反に対して適応的に対応する能力が不可欠である。この課題を解決するため、本研究では、走行リスクを低減し、潜在的な安全違反を防止するとともに、ADSの走行性能を向上させるためのランタイム指向のレジリエンスフレームワーク「Argus」を提案する。Argusは、ADSが生成する軌道を継続的に監視し、エゴ車両が安全でないと判断された場合には、ハザード軽減モジュールを通じてシームレスに制御を引き継ぐ。本研究では、最新の3つのエンドツーエンドADS（TCP、UniAD、VAD）とArgusを統合し、評価を行った。その結果、Argusは効果的かつ効率的にADSのレジリエンスを向上させ、平均してADSの走行スコアを最大150.30％向上させるとともに、最大64.38％の安全違反を防止することができた。また、追加の時間オーバーヘッドは極めて小さく、実用性に優れていることが示された。