엔드투엔드 자율주행 시스템(ADS)은 환경 인지 능력과 일반화된 주행 결정 능력이 뛰어나, 학계와 산업계에서 점차 높은 관심을 받고 있다. 그러나 공공도로에 배치된 후 ADS는 안전을 위협할 수 있는 다양한 주행 위험에 자동으로 노출되며, 이는 시스템의 안정성 저하와 성능 저감을 초래할 수 있다. 이러한 상황은 복잡한 주행 환경에서 안정적인 주행 행동을 유지하기 위해, ADS가 지속적으로 주행 위험을 모니터링하고 잠재적 안전 위반에 대해 적응적으로 대응할 수 있는 복원력(resilience)을 갖추는 것이 절실히 필요함을 시사한다.이러한 격차를 메우기 위해, 본 연구에서는 주행 위험을 완화함으로써 잠재적 안전 위반을 예방하고 ADS의 주행 성능을 향상시키는 런타임 복원력 중심의 프레임워크인 Argus를 제안한다. Argus는 ADS가 생성하는 주행 경로를 지속적으로 모니터링하여 잠재적 위험을 탐지하며, EGO 차량이 안전하지 않다고 판단될 경우, 위험 완화 모듈을 통해 원활하게 제어권을 인수한다. 우리는 Argus를 최신 엔드투엔드 ADS 세 가지—TCP, UniAD, VAD—와 통합하여 평가하였으며, 그 결과 Argus가 ADS의 복원력을 효과적이고 효율적으로 향상시킴을 입증하였다. 평균적으로 ADS의 주행 점수를 최대 150.30%까지 개선하고, 위반 사례의 최대 64.38%를 예방하는 데 성공하였으며, 추가적인 시간 오버헤드는 극히 미미한 수준이었다.