論文の概要: Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles
- arxiv url: http://arxiv.org/abs/2103.07403v1
- Date: Fri, 12 Mar 2021 17:00:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-15 13:15:02.198061
- Title: Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles
- Title(参考訳): 自動運転車の安全試験シナリオの生成と評価
- Authors: Zahra Ghodsi, Siva Kumar Sastry Hari, Iuri Frosio, Timothy Tsai,
Alejandro Troccoli, Stephen W. Keckler, Siddharth Garg, Anima Anandkumar
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 86.9067793493874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Extracting interesting scenarios from real-world data as well as generating
failure cases is important for the development and testing of autonomous
systems. We propose efficient mechanisms to both characterize and generate
testing scenarios using a state-of-the-art driving simulator. For any scenario,
our method generates a set of possible driving paths and identifies all the
possible safe driving trajectories that can be taken starting at different
times, to compute metrics that quantify the complexity of the scenario. We use
our method to characterize real driving data from the Next Generation
Simulation (NGSIM) project, as well as adversarial scenarios generated in
simulation. We rank the scenarios by defining metrics based on the complexity
of avoiding accidents and provide insights into how the AV could have minimized
the probability of incurring an accident. We demonstrate a strong correlation
between the proposed metrics and human intuition.
- Abstract(参考訳): 現実世界のデータから興味深いシナリオを抽出し、障害ケースを生成することは、自律システムの開発とテストにとって重要です。
最先端運転シミュレータを用いて,テストシナリオのキャラクタリゼーションと生成の両方を行う効率的なメカニズムを提案する。
いずれのシナリオにおいても,本手法は可能な運転経路のセットを生成し,異なる時刻に開始可能な安全運転経路を識別し,シナリオの複雑さを定量化するメトリクスを計算する。
本手法を用いて、次世代シミュレーション(NGSIM)プロジェクトの実際の運転データとシミュレーションで生成された対比シナリオを特徴づけます。
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。
提案する指標と人間の直観との間に強い相関関係を示す。
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) - Realistic Safety-critical Scenarios Search for Autonomous Driving System
via Behavior Tree [8.286351881735191]
本研究では,行動木に基づくテストフレームワークであるMatrix-Fuzzerを提案し,現実的な安全クリティカルなテストシナリオを自動的に生成する。
提案手法では, 安全クリティカルシナリオのタイプが最も多いが, ベースラインアルゴリズムと比較して, 全体の30%程度しか生成できない。
論文 参考訳(メタデータ) (2023-05-11T06:53:03Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳(メタデータ) (2023-04-03T17:37:00Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳(メタデータ) (2023-03-07T18:28:41Z) - 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) - Querying Labelled Data with Scenario Programs for Sim-to-Real Validation [5.8720142291102135]
AV障害シナリオは現実に意味のあるシミュレーションで特定されているか、すなわち、実際のシステムで再現可能か?
シミュレーションされた障害シナリオを検証するアプローチとして、実際のデータのコーパス内のシナリオのインスタンスを特定し、障害が実際のデータに持続するかどうかをチェックする方法がある。
本稿では,SCENIC確率型プログラミング言語を用いたシナリオプログラムとして符号化された,抽象的なシナリオにマッチするラベル付きデータ項目の意味を形式的に定義する。
論文 参考訳(メタデータ) (2021-12-01T01:04:13Z) - Discovering Avoidable Planner Failures of Autonomous Vehicles using
Counterfactual Analysis in Behaviorally Diverse Simulation [16.86782673205523]
本稿では,行動学的に多様な交通参加者をシミュレートする上で,近年の進歩を生かしたプランナーテストフレームワークを提案する。
提案手法は,多岐にわたる重要な計画立案者の失敗を見出すことができることを示す。
論文 参考訳(メタデータ) (2020-11-24T09:44:23Z) - 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) - Enhanced Transfer Learning for Autonomous Driving with Systematic
Accident Simulation [3.2456691142503256]
シミュレーションデータセット上での伝達学習は、より優れた一般化と衝突回避をもたらすことを示す。
シミュレーションデータに基づいてトレーニングされたモデルから得られた情報は,実世界のデータに基づいてトレーニングされたモデルに推測可能であることを示す。
論文 参考訳(メタデータ) (2020-07-23T17:27:00Z) - Learning to Collide: An Adaptive Safety-Critical Scenarios Generating
Method [20.280573307366627]
本稿では,タスクアルゴリズム評価のための安全クリティカルなシナリオを作成するための生成フレームワークを提案する。
提案手法は,グリッド探索や人的設計手法よりも安全クリティカルなシナリオを効率的に生成できることを実証する。
論文 参考訳(メタデータ) (2020-03-02T21:26:03Z)
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。