論文の概要: SilGAN: Generating driving maneuvers for scenario-based
software-in-the-loop testing
- arxiv url: http://arxiv.org/abs/2107.07364v1
- Date: Mon, 5 Jul 2021 07:17:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 12:27:13.229141
- Title: SilGAN: Generating driving maneuvers for scenario-based
software-in-the-loop testing
- Title(参考訳): SilGAN: シナリオベースのソフトウェア・イン・ザ・ループテストのための運転操作の生成
- Authors: Dhasarathy Parthasarathy, Anton Johansson
- Abstract要約: SilGANは、自動車用ソフトウェア・イン・ザ・ループテストの仕様、刺激発生、自動化を容易にする、深い生成モデルである。
モデルはフィールド内の車両から記録されたデータを使って訓練される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automotive software testing continues to rely largely upon expensive field
tests to ensure quality because alternatives like simulation-based testing are
relatively immature. As a step towards lowering reliance on field tests, we
present SilGAN, a deep generative model that eases specification, stimulus
generation, and automation of automotive software-in-the-loop testing. The
model is trained using data recorded from vehicles in the field. Upon training,
the model uses a concise specification for a driving scenario to generate
realistic vehicle state transitions that can occur during such a scenario. Such
authentic emulation of internal vehicle behavior can be used for rapid,
systematic and inexpensive testing of vehicle control software. In addition, by
presenting a targeted method for searching through the information learned by
the model, we show how a test objective like code coverage can be automated.
The data driven end-to-end testing pipeline that we present vastly expands the
scope and credibility of automotive simulation-based testing. This reduces time
to market while helping maintain required standards of quality.
- Abstract(参考訳): シミュレーションベースのテストのような代替手段は比較的未成熟であるため、自動車のソフトウェアテストは品質を確保するために高価なフィールドテストに大きく依存している。
フィールドテストへの依存度を下げる第一歩として、仕様、刺激生成、自動ループテストの自動化を容易にする深層生成モデルSilGANを提案する。
モデルはフィールド内の車両から記録されたデータを使って訓練される。
トレーニング中、モデルは運転シナリオの簡潔な仕様を使用して、そのようなシナリオ中に発生する現実的な車両状態遷移を生成する。
このような車内挙動の真正なエミュレーションは、車両制御ソフトウェアの迅速かつ体系的で安価なテストに利用できる。
さらに,モデルが学習した情報を探索するための対象手法を提示することにより,コードカバレッジなどのテスト目的をどのように自動化するかを示す。
現在、データ駆動のエンドツーエンドテストパイプラインは、自動車シミュレーションベースのテストの範囲と信頼性を大きく広げています。
これにより、必要な品質基準を維持しながら、市場投入にかかる時間を短縮できる。
関連論文リスト
- Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。
トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。
従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文 参考訳(メタデータ) (2024-04-30T23:18:51Z) - AI-augmented Automation for Real Driving Prediction: an Industrial Use Case [1.9131868049527914]
本稿では,機械学習とモデルベース工学に基づくAI拡張ソリューションを開発する実践経験について報告する。
特に、実運転条件で収集された履歴データを利用して、高忠実性駆動シミュレータを合成する。
この実践的経験に基づいて,実運転行動に基づく予測を支援する概念的枠組みも提案する。
論文 参考訳(メタデータ) (2024-04-03T16:19:47Z) - AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳(メタデータ) (2024-03-26T04:27:56Z) - Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。
本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。
実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文 参考訳(メタデータ) (2023-06-23T07:01:10Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳(メタデータ) (2022-07-05T16:33:20Z) - Benchmarking Lane-changing Decision-making for Deep Reinforcement
Learning [13.347722791726198]
深層強化学習の観点から,車線変更作業のための訓練,試験,評価パイプラインを提案する。
我々は、設計したトレーニングシナリオにおいて、最先端の深層強化学習手法を訓練し、テストシナリオにおけるトレーニングされたモデルのベンチマーク評価結果を提供する。
論文 参考訳(メタデータ) (2021-09-22T02:25:27Z) - 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) - Learning to falsify automated driving vehicles with prior knowledge [1.4610038284393165]
本稿では,シミュレーションにおける自動運転機能の実装をテストするための学習に基づく偽造フレームワークを提案する。
シナリオパラメータの分散を制限し、学習プロセスをガイドし、改善するためのモデルベースのファシファイアに事前知識が組み込まれています。
論文 参考訳(メタデータ) (2021-01-25T19:51:38Z) - 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) - Formal Scenario-Based Testing of Autonomous Vehicles: From Simulation to
the Real World [8.498542964344987]
自動運転車の安全性のシナリオベース自動テストに対する新しいアプローチを提案する。
提案手法は,シナリオの形式的仕様と安全性特性を組み合わせた形式的手法に基づいている。
論文 参考訳(メタデータ) (2020-03-17T14:17:52Z)
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。