論文の概要: Interpretable Safety Validation for Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2004.06805v2
- Date: Fri, 26 Jun 2020 15:29:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 09:24:34.332741
- Title: Interpretable Safety Validation for Autonomous Vehicles
- Title(参考訳): 自動運転車の解釈安全検証
- Authors: Anthony Corso and Mykel J. Kochenderfer
- Abstract要約: この研究は、自律システムの解釈可能な障害を見つけるためのアプローチを説明する。
これらの失敗は、人間によって理解できる信号時相論理式によって記述される。
- 参考スコア(独自算出の注目度): 44.44006029119672
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An open problem for autonomous driving is how to validate the safety of an
autonomous vehicle in simulation. Automated testing procedures can find
failures of an autonomous system but these failures may be difficult to
interpret due to their high dimensionality and may be so unlikely as to not be
important. This work describes an approach for finding interpretable failures
of an autonomous system. The failures are described by signal temporal logic
expressions that can be understood by a human, and are optimized to produce
failures that have high likelihood. Our methodology is demonstrated for the
safety validation of an autonomous vehicle in the context of an unprotected
left turn and a crosswalk with a pedestrian. Compared to a baseline importance
sampling approach, our methodology finds more failures with higher likelihood
while retaining interpretability.
- Abstract(参考訳): 自動運転のオープンな問題は、シミュレーションで自動運転車の安全性を検証する方法である。
自動テストの手順は自律システムの障害を見つけることができるが、これらの障害は高次元のため解釈が困難であり、重要でないほどありそうにない。
この研究は、自律システムの解釈可能な障害を見つけるためのアプローチを説明する。
失敗は、人間によって理解され、高い確率で失敗を発生させるよう最適化された信号時相論理式によって記述される。
本手法は,未保護の左折と歩行者との横断歩道の文脈において,自動運転車の安全性の検証を行う。
ベースラインの重要性をサンプリングする手法と比較すると,解釈可能性を維持しつつ,高い確率でより多くの障害を発見できる。
関連論文リスト
- Self-Aware Trajectory Prediction for Safe Autonomous Driving [9.868681330733764]
軌道予測は、自動運転ソフトウェアスタックの重要なコンポーネントの1つである。
本稿では,自己認識軌道予測手法を提案する。
提案手法は, 自己認識, メモリフットプリント, リアルタイム性能で良好に動作した。
論文 参考訳(メタデータ) (2023-05-16T03:53:23Z) - Adaptive Failure Search Using Critical States from Domain Experts [9.93890332477992]
フェールサーチは、シミュレーションまたは実世界のテストにおいて、かなりの走行距離をロギングすることで行うことができる。
ASTはマルコフ決定プロセスとして失敗探索の問題を提起する手法である。
ASTフレームワークにクリティカルステートを組み込むことで,安全性違反の増大を伴う障害シナリオが生成されることを示す。
論文 参考訳(メタデータ) (2023-04-01T18:14:41Z) - Infrastructure-based End-to-End Learning and Prevention of Driver
Failure [68.0478623315416]
フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。
制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。
速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
論文 参考訳(メタデータ) (2023-03-21T22:55:51Z) - Imitation Is Not Enough: Robustifying Imitation with Reinforcement
Learning for Challenging Driving Scenarios [147.16925581385576]
シミュレーション学習と強化学習を組み合わせることで,運転方針の安全性と信頼性が大幅に向上することを示す。
都会の運転データ100万マイル以上でポリシーを訓練し、異なるレベルの衝突確率でグループ化されたテストシナリオにおける有効性を測定する。
論文 参考訳(メタデータ) (2022-12-21T23:59:33Z) - Differentiable Control Barrier Functions for Vision-based End-to-End
Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。
我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文 参考訳(メタデータ) (2022-03-04T16:14:33Z) - Don't Get Yourself into Trouble! Risk-aware Decision-Making for
Autonomous Vehicles [4.94950858749529]
1)望ましくない結果の確率と、2)望ましくない結果がどの程度望ましくないかを見積もる(損失)。
我々は、高レベルリスクベースの経路計画と強化学習に基づく低レベル制御を統合する、自動運転車のリスクベースの意思決定フレームワークを開発した。
この作業は、自動運転車がいつの日か回避し、危険な状況に対処することによって、安全性を向上させることができる。
論文 参考訳(メタデータ) (2021-06-08T18:24:02Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳(メタデータ) (2021-03-12T17:00:23Z) - AdvSim: Generating Safety-Critical Scenarios for Self-Driving Vehicles [76.46575807165729]
我々は,任意のLiDARベースの自律システムに対して,安全クリティカルなシナリオを生成するための,敵対的フレームワークであるAdvSimを提案する。
センサデータから直接シミュレートすることにより、完全な自律スタックに対して安全クリティカルな敵シナリオを得る。
論文 参考訳(メタデータ) (2021-01-16T23:23:12Z) - Towards Automated Safety Coverage and Testing for Autonomous Vehicles
with Reinforcement Learning [0.3683202928838613]
検証は、システムが日々の運転で遭遇する可能性のあるシナリオや状況において、自動運転車システムをテストに投入する。
本稿では,AVソフトウェア実装における障害事例と予期せぬ交通状況を生成するために強化学習(RL)を提案する。
論文 参考訳(メタデータ) (2020-05-22T19:00:38Z) - Scalable Autonomous Vehicle Safety Validation through Dynamic
Programming and Scene Decomposition [37.61747231296097]
本稿では、近似動的プログラミングを用いて、自律的なポリシの障害に対する分布を推定する新しい安全性検証手法を提案する。
両実験とも, ベースラインアプローチと比較して, 故障数の増加が見られた。
論文 参考訳(メタデータ) (2020-04-14T21:03:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。