論文の概要: AdvSim: Generating Safety-Critical Scenarios for Self-Driving Vehicles
- arxiv url: http://arxiv.org/abs/2101.06549v4
- Date: Sun, 16 Apr 2023 20:22:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 01:30:34.460988
- Title: AdvSim: Generating Safety-Critical Scenarios for Self-Driving Vehicles
- Title(参考訳): AdvSim:自動運転車の安全クリティカルシナリオの生成
- Authors: Jingkang Wang, Ava Pun, James Tu, Sivabalan Manivasagam, Abbas Sadat,
Sergio Casas, Mengye Ren, Raquel Urtasun
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 76.46575807165729
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As self-driving systems become better, simulating scenarios where the
autonomy stack may fail becomes more important. Traditionally, those scenarios
are generated for a few scenes with respect to the planning module that takes
ground-truth actor states as input. This does not scale and cannot identify all
possible autonomy failures, such as perception failures due to occlusion. In
this paper, we propose AdvSim, an adversarial framework to generate
safety-critical scenarios for any LiDAR-based autonomy system. Given an initial
traffic scenario, AdvSim modifies the actors' trajectories in a physically
plausible manner and updates the LiDAR sensor data to match the perturbed
world. Importantly, by simulating directly from sensor data, we obtain
adversarial scenarios that are safety-critical for the full autonomy stack. Our
experiments show that our approach is general and can identify thousands of
semantically meaningful safety-critical scenarios for a wide range of modern
self-driving systems. Furthermore, we show that the robustness and safety of
these systems can be further improved by training them with scenarios generated
by AdvSim.
- Abstract(参考訳): 自動運転システムがより良くなるにつれて、自律的なスタックが失敗するシナリオをシミュレートすることがより重要になる。
伝統的に、これらのシナリオは、基盤となるアクター状態を入力として使用するプランニングモジュールに関して、いくつかのシーンで生成される。
これはスケールせず、閉塞による知覚障害など、あらゆる可能な自律的障害を特定することはできない。
本稿では,LiDARに基づく自律システムにおいて,安全クリティカルなシナリオを生成するための,AdvSimを提案する。
初期トラフィックシナリオが与えられた場合、AdvSimはアクターの軌跡を物理的に妥当な方法で修正し、LiDARセンサーデータを更新して乱れた世界に対応する。
重要なことは、センサデータから直接シミュレートすることで、完全な自律スタックにとって安全なシナリオが得られます。
我々の実験は、我々のアプローチが一般的であり、広範囲の近代自動運転システムに対して意味論的に意味のある安全クリティカルなシナリオを特定できることを示している。
さらに,これらのシステムの堅牢性と安全性は,AdvSimが生成したシナリオを用いてトレーニングすることでさらに向上できることを示す。
関連論文リスト
- Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - Adv3D: Generating Safety-Critical 3D Objects through Closed-Loop
Simulation [41.24263342397263]
自動運転車(SDV)は安全な配置を確保するために、幅広いシナリオで厳格にテストされなければならない。
業界は通常、SDVが合成シナリオと実際のシナリオのコーパスでどのように相互作用するかを評価するためにクローズドループシミュレーションに依存している。
クローズドループにおける完全自律システムの評価と,アクターの形状などのシーンの外観に基づくセンサデータの変動がシステムパフォーマンスに与える影響を理解することが重要である。
論文 参考訳(メタデータ) (2023-11-02T17:56:44Z) - Generating and Explaining Corner Cases Using Learnt Probabilistic Lane
Graphs [5.309950889075669]
本稿では,車両が走行する車線の位置と方向の有限セットを記述するために,確率的レーングラフ(PLG)を導入する。
PLGの構造は、歴史的交通データから直接学習される。
我々は、このポリシーを変更するために強化学習技術を使用し、現実的で説明可能なコーナーケースシナリオを生成する。
論文 参考訳(メタデータ) (2023-08-25T20:17:49Z) - UniSim: A Neural Closed-Loop Sensor Simulator [76.79818601389992]
センサ搭載車両によって記録された1つのログをキャプチャする、ニューラルネットワークシミュレータUniSimを提示する。
UniSimは、静的バックグラウンドと動的アクターの両方を再構築するために、ニューラルネットワーク機能グリッドを構築する。
動的オブジェクトの学習可能な事前情報を組み込んで、畳み込みネットワークを利用して未確認領域を完成させる。
論文 参考訳(メタデータ) (2023-08-03T17:56:06Z) - 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) - 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) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳(メタデータ) (2020-08-13T17:20:02Z) - 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)
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。