論文の概要: Corner Case Generation and Analysis for Safety Assessment of Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2102.03483v1
• Date: Sat, 6 Feb 2021 02:48:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:56:45.727304
• Title: Corner Case Generation and Analysis for Safety Assessment of Autonomous Vehicles
• Title（参考訳）: 自動車の安全評価のためのコーナーケース生成と解析
• Authors: Haowei Sun, Shuo Feng, Xintao Yan, Henry X. Liu
• Abstract要約: 意思決定システムのための一貫した枠組みが提案されている。 背景車両の挙動を学習するために, 深部強化学習技術を適用した。 学習されたポリシーでは、BVはより積極的にCAVと対話し、より多くのコーナーケースをもたらす。
• 参考スコア（独自算出の注目度）: 3.673699859949693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Testing and evaluation is a crucial step in the development and deployment of Connected and Automated Vehicles (CAVs). To comprehensively evaluate the performance of CAVs, it is of necessity to test the CAVs in safety-critical scenarios, which rarely happen in naturalistic driving environment. Therefore, how to purposely and systematically generate these corner cases becomes an important problem. Most existing studies focus on generating adversarial examples for perception systems of CAVs, whereas limited efforts have been put on the decision-making systems, which is the highlight of this paper. As the CAVs need to interact with numerous background vehicles (BVs) for a long duration, variables that define the corner cases are usually high dimensional, which makes the generation a challenging problem. In this paper, a unified framework is proposed to generate corner cases for the decision-making systems. To address the challenge brought by high dimensionality, the driving environment is formulated based on Markov Decision Process, and the deep reinforcement learning techniques are applied to learn the behavior policy of BVs. With the learned policy, BVs will behave and interact with the CAVs more aggressively, resulting in more corner cases. To further analyze the generated corner cases, the techniques of feature extraction and clustering are utilized. By selecting representative cases of each cluster and outliers, the valuable corner cases can be identified from all generated corner cases. Simulation results of a highway driving environment show that the proposed methods can effectively generate and identify the valuable corner cases.
• Abstract（参考訳）: テストと評価は、CAV(Connected and Automated Vehicles)の開発と展開における重要なステップです。 CAVの性能を総合的に評価するには、自然主義運転環境ではほとんど起こらない安全クリティカルなシナリオでCAVをテストする必要がある。 したがって、これらのコーナーケースを意図的に体系的に生成する方法が重要な問題となる。 既存の研究の多くは、CAVの認識システムの逆例の生成に焦点を当てているが、この論文のハイライトである意思決定システムに限られた努力が課されている。 CAVは長時間にわたって多数の背景車(BV)と相互作用する必要があるため、コーナーケースを定義する変数は通常高次元であるため、生成は困難な問題になります。 本稿では,意思決定システムのコーナーケースを生成するための統一フレームワークを提案する。 高次元化に伴う課題に対処するために,マルコフ決定過程に基づいて運転環境を定式化し,bvsの行動方針を学習するために深層強化学習手法を適用する。 学習されたポリシーでは、BVはより積極的にCAVと対話し、より多くのコーナーケースをもたらす。 生成したコーナーケースを解析するために,特徴抽出技術とクラスタリング技術を利用する。 各クラスタの代表的なケースと外れ値を選択することで、生成されたすべてのコーナーケースから貴重なコーナーケースを識別することができる。 高速道路走行環境のシミュレーション結果から,提案手法が有効なコーナーケースを効果的に生成し,同定できることが判明した。

関連論文リスト

• Criteria for Uncertainty-based Corner Cases Detection in Instance Segmentation [2.9419365092937086]
  予測の不確実性に基づくコーナーケースの基準を示す。 我々はCOCOとNuImagesデータセットを用いて各コーナーケース基準を評価する。 また、各対象を正正値(TP)、正値(False Positive)、正値(False Positive)、正値(False Positive)に区別できるコーナーケース決定関数も提供する。
  論文  参考訳（メタデータ） (2024-04-17T11:17:12Z)
• A novel framework for adaptive stress testing of autonomous vehicles in highways [3.2112502548606825]
  高速道路交通のシナリオにおいて,安全上の懸念を生じさせるようなコーナーケースを探索する新しい枠組みを提案する。 衝突確率推定に基づいて衝突シナリオを識別する際のASTを導出するDRLの新しい報奨関数を開発した。 提案するフレームワークは,より現実的なトラフィックシナリオの作成を可能にする,新たな駆動モデルとさらに統合されている。
  論文  参考訳（メタデータ） (2024-02-19T04:02:40Z)
• Bridging Data-Driven and Knowledge-Driven Approaches for Safety-Critical Scenario Generation in Automated Vehicle Validation [5.063522035689929]
  自動走行車(ADV)は、運転効率と安全性を高めることを約束するが、安全クリティカルなシナリオでは課題に直面している。 本稿では,データ駆動型と知識駆動型という2つの主要なシナリオ生成ソリューションを採用する複雑さについて検討する。 安全クリティカルなシナリオ生成フレームワークであるBridgeGenを紹介します。
  論文  参考訳（メタデータ） (2023-11-18T02:11:14Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• Online Safety Property Collection and Refinement for Safe Deep Reinforcement Learning in Mapless Navigation [79.89605349842569]
  オンラインプロパティのコレクション・リファインメント(CROP)フレームワークをトレーニング時にプロパティを設計するために導入する。 CROPは、安全でない相互作用を識別し、安全特性を形成するためにコストシグナルを使用する。 本手法をいくつかのロボットマップレスナビゲーションタスクで評価し,CROPで計算した違反量によって,従来のSafe DRL手法よりも高いリターンと低いリターンが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-13T21:19:36Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• 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)
• An Application-Driven Conceptualization of Corner Cases for Perception in Highly Automated Driving [21.67019631065338]
  高度に自動化された運転において、コーナーケースのアプリケーション駆動ビューを提供する。 RADARとLiDARを追加することで、コーナーケースの既存のカメラフォーカスのシステム化を拡張します。 データ取得と処理のための模範的なツールチェーンについて説明する。
  論文  参考訳（メタデータ） (2021-03-05T13:56:37Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)
• Efficient statistical validation with edge cases to evaluate Highly Automated Vehicles [6.198523595657983]
  自動運転車の大規模展開は、まだ解決されていない多くの安全上の課題にもかかわらず、差し迫っているようだ。 既存の標準は、検証が要求をカバーするテストケースのセットだけを必要とする決定論的プロセスに焦点を当てています。 本稿では, 自動生成テストケースを最悪のシナリオに偏り付け, システムの挙動の統計的特性を計算するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-04T04:35:22Z)

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。