論文の概要: Real-World Scenario Mining for the Assessment of Automated Vehicles
- arxiv url: http://arxiv.org/abs/2006.00483v2
- Date: Mon, 12 Jul 2021 09:33:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 12:58:04.340079
- Title: Real-World Scenario Mining for the Assessment of Automated Vehicles
- Title(参考訳): 自動車評価のための実世界のシナリオマイニング
- Authors: Erwin de Gelder, Jeroen Manders, Corrado Grappiolo, Jan-Pieter
Paardekooper, Olaf Op den Camp, Bart De Schutter
- Abstract要約: 2段階のアプローチで実世界のデータからシナリオをキャプチャする手法を提案する。
この手法は特定のシナリオには当てはまらないため、様々なシナリオに適用することができる。
- 参考スコア(独自算出の注目度): 12.962830182937035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scenario-based methods for the assessment of Automated Vehicles (AVs) are
widely supported by many players in the automotive field. Scenarios captured
from real-world data can be used to define the scenarios for the assessment and
to estimate their relevance. Therefore, different techniques are proposed for
capturing scenarios from real-world data. In this paper, we propose a new
method to capture scenarios from real-world data using a two-step approach. The
first step consists in automatically labeling the data with tags. Second, we
mine the scenarios, represented by a combination of tags, based on the labeled
tags. One of the benefits of our approach is that the tags can be used to
identify characteristics of a scenario that are shared among different type of
scenarios. In this way, these characteristics need to be identified only once.
Furthermore, the method is not specific for one type of scenario and,
therefore, it can be applied to a large variety of scenarios. We provide two
examples to illustrate the method. This paper is concluded with some promising
future possibilities for our approach, such as automatic generation of
scenarios for the assessment of automated vehicles.
- Abstract(参考訳): シナリオに基づく自動走行車(avs)の評価手法は、自動車分野の多くのプレイヤーによって広く支持されている。
現実世界のデータから取得したシナリオは、アセスメントのシナリオを定義し、それらの関連性を見積もるために使用することができる。
そのため,実世界のデータからシナリオを捉えるために異なる手法が提案されている。
本稿では,実世界データからシナリオを2段階のアプローチで捉える新しい手法を提案する。
最初のステップは、タグでデータを自動的にラベリングすることです。
第2に、ラベル付きタグに基づいて、タグの組み合わせによって表現されたシナリオをマイニングする。
このアプローチの利点の1つは、異なるタイプのシナリオ間で共有されるシナリオの特徴を特定するためにタグを使用することができることです。
このようにして、これらの特徴は一度だけ特定する必要がある。
さらに,本手法は特定のシナリオには適用されないため,様々なシナリオに適用することができる。
方法を説明する2つの例を挙げる。
本稿では,自動走行車の評価シナリオの自動生成など,提案手法の今後の可能性について述べる。
関連論文リスト
- Interaction-Based Driving Scenario Classification and Labeling [10.944948665260977]
対話型シナリオ分類とラベリングのためのフレームワークを提案する。
このフレームワークはシナリオデータの使用とインデックス化をしっかりとサポートすることができる。
論文 参考訳(メタデータ) (2024-02-12T15:34:04Z) - Graph Convolutional Networks for Complex Traffic Scenario Classification [0.7919810878571297]
シナリオベースのテストアプローチは、自動運転システムの安全性の統計的に重要な証拠を得るのに必要な時間を短縮することができる。
シナリオ分類のほとんどの方法は、多様な環境を持つ複雑なシナリオでは機能しない。
本研究では,車両と環境との相互作用をモデル化できる複雑な交通シナリオ分類手法を提案する。
論文 参考訳(メタデータ) (2023-10-26T20:51:24Z) - Acquire Driving Scenarios Efficiently: A Framework for Prospective
Assessment of Cost-Optimal Scenario Acquisition [0.1999925939110439]
本稿では,シナリオ生成手法のコスト-最適利用の定量化手法を提案する。
到達可能な完全カバレッジ,品質基準,コストの予測を含むメタモデルに適合する手法を提案する。
論文 参考訳(メタデータ) (2023-07-21T15:26:08Z) - Tree-Based Scenario Classification: A Formal Framework for Coverage
Analysis on Test Drives of Autonomous Vehicles [0.0]
シナリオベースのテストでは、関連する(運転)シナリオがテストの基礎になります。
シナリオの集合を分類し、記録されたテストドライブにおけるこれらのシナリオのカバレッジを測定するというオープンな課題に対処する。
論文 参考訳(メタデータ) (2023-07-11T08:30:57Z) - SoK: Privacy-Preserving Data Synthesis [72.92263073534899]
本稿では,プライバシ保護データ合成(PPDS)に注目し,その分野の総合的な概要,分析,議論を行う。
PPDSでは,統計的手法と深層学習(DL)に基づく手法の2つの顕著な研究を統一するマスターレシピを作成した。
論文 参考訳(メタデータ) (2023-07-05T08:29:31Z) - UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
要約品質評価は、テキスト要約における非自明なタスクである。
統一多シナリオ要約評価モデル(UMSE)を提案する。
UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
論文 参考訳(メタデータ) (2023-05-26T12:54:44Z) - Vectorized Scenario Description and Motion Prediction for Scenario-Based
Testing [2.07180164747172]
本稿では,道路形状と車両軌跡によって定義されたベクトル化されたシナリオ記述を提案する。
この形式のデータは3つのシナリオに対して生成され、マージされ、モーション予測モデルであるVectorNetのトレーニングに使用される。
論文 参考訳(メタデータ) (2023-02-02T15:32:25Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳(メタデータ) (2021-12-09T18:03:27Z) - Benchmarking Multimodal AutoML for Tabular Data with Text Fields [83.43249184357053]
テキストフィールドを含む18個のマルチモーダルデータテーブルを組み立てる。
このベンチマークにより、研究者は、数値的、分類的、テキスト的特徴を用いて教師あり学習を行うための独自の方法を評価することができる。
論文 参考訳(メタデータ) (2021-11-04T09:29:16Z) - 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) - Text Recognition in Real Scenarios with a Few Labeled Samples [55.07859517380136]
Scene Text Recognition (STR) はコンピュータビジョン分野におけるホットな研究テーマである。
本稿では,数ショットの逆数列領域適応 (FASDA) を用いて構築シーケンスを適応する手法を提案する。
我々のアプローチは、ソースドメインとターゲットドメインの間の文字レベルの混乱を最大化することができる。
論文 参考訳(メタデータ) (2020-06-22T13:03:01Z)
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。