論文の概要: Addressing the IEEE AV Test Challenge with Scenic and VerifAI

• arxiv url: http://arxiv.org/abs/2108.13796v1
• Date: Fri, 20 Aug 2021 04:51:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-05 08:53:38.693900
• Title: Addressing the IEEE AV Test Challenge with Scenic and VerifAI
• Title（参考訳）: IEEE AVテストチャレンジへのシナリオとVerifAIの取り組み
• Authors: Kesav Viswanadha, Francis Indaheng, Justin Wong, Edward Kim, Ellen Kalvan, Yash Pant, Daniel J. Fremont, Sanjit A. Seshia
• Abstract要約: 本稿では,IEEE AVテストチャレンジのシミュレーションにおいて,自律走行車(AV)のテストに対する我々の公式なアプローチを要約する。 我々は,知的サイバー物理システムのための形式駆動型シミュレーションに関するこれまでの研究を生かした,系統的なテストフレームワークを実証する。
• 参考スコア（独自算出の注目度）: 10.221093591444731
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper summarizes our formal approach to testing autonomous vehicles (AVs) in simulation for the IEEE AV Test Challenge. We demonstrate a systematic testing framework leveraging our previous work on formally-driven simulation for intelligent cyber-physical systems. First, to model and generate interactive scenarios involving multiple agents, we used Scenic, a probabilistic programming language for specifying scenarios. A Scenic program defines an abstract scenario as a distribution over configurations of physical objects and their behaviors over time. Sampling from an abstract scenario yields many different concrete scenarios which can be run as test cases for the AV. Starting from a Scenic program encoding an abstract driving scenario, we can use the VerifAI toolkit to search within the scenario for failure cases with respect to multiple AV evaluation metrics. We demonstrate the effectiveness of our testing framework by identifying concrete failure scenarios for an open-source autopilot, Apollo, starting from a variety of realistic traffic scenarios.
• Abstract（参考訳）: 本稿では,IEEE AVテストチャレンジのシミュレーションにおいて,自律走行車(AV)のテストに対する我々の公式なアプローチを要約する。 我々は,知的サイバー物理システムのための形式駆動シミュレーションに関するこれまでの研究を生かした,系統的なテストフレームワークを実証する。 まず、複数のエージェントを含むインタラクティブなシナリオをモデル化し、生成するために、シナリオを特定するための確率的プログラミング言語であるraitiseを使用しました。 シナリオプログラムは抽象的なシナリオを、物理的なオブジェクトの構成と時間とともにその振る舞いの分布として定義する。 抽象的なシナリオからサンプリングすると、AVのテストケースとして実行できる多くの具体的なシナリオが得られる。 抽象的な駆動シナリオを符号化するScanicプログラムから始めて、VerifAIツールキットを使用して、複数のAV評価指標に関して、シナリオ内の障害ケースを検索できる。 さまざまな現実的なトラフィックシナリオから始まるオープンソースのオートパイロットApolloの具体的な障害シナリオを特定することで、テストフレームワークの有効性を実証する。

関連論文リスト

• Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
  大規模言語モデル(LLM)は自動運転において有望であることを示している。 本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。 我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
  論文  参考訳（メタデータ） (2024-11-25T16:38:17Z)
• Querying Labeled Time Series Data with Scenario Programs [0.0]
  本稿では,実世界のラベル付き時系列データ項目とシミュレーションシナリオとの一致を形式的に定義する。 自動運転車の領域を超えてスケーラブルなマッチングを実現するための定義とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-25T15:15:27Z)
• GOOSE: Goal-Conditioned Reinforcement Learning for Safety-Critical Scenario Generation [0.14999444543328289]
  ゴール条件付きシナリオ生成(Goal-conditioned Scenario Generation、GOOSE)は、ゴール条件付き強化学習(RL)アプローチで、安全クリティカルなシナリオを自動的に生成する。 安全クリティカルな事象につながるシナリオを生成する上でのGOOSEの有効性を実証する。
  論文  参考訳（メタデータ） (2024-06-06T08:59:08Z)
• 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)
• 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)
• A Scenario-Based Platform for Testing Autonomous Vehicle Behavior Prediction Models in Simulation [15.33320266231475]
  行動予測は、自動運転車のソフトウェアスタックにおいて最も困難なタスクの1つです。 本稿では,確率型プログラミング言語を用いた直感的なシナリオモデリングを支援するシミュレーションベースのテストプラットフォームを提案する。 対話型トラフィック参加者行動を含むテストシナリオをモデル化する25のSenseicプログラムのライブラリを提供する。
  論文  参考訳（メタデータ） (2021-10-28T03:30:49Z)
• ViSTA: a Framework for Virtual Scenario-based Testing of Autonomous Vehicles [2.20200533591633]
  仮想シナリオに基づく自律走行車テスト(AV)のためのフレームワークViSTAについて紹介する。 本稿では,有意なパラメータを持つ特殊目的シナリオの設計を容易にする包括的テストケース生成手法について述べる。 テストケースの実行を自動化し、これらのテストケース下でのAVの性能を分析する方法について述べる。
  論文  参考訳（メタデータ） (2021-09-06T15:12:17Z)
• 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)
• Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
  エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。 我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。 シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
  論文  参考訳（メタデータ） (2021-01-14T22:21:25Z)
• Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
  我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。 我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
  論文  参考訳（メタデータ） (2020-10-19T19:53:15Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。