論文の概要: Neural Network Guided Evolutionary Fuzzing for Finding Traffic Violations of Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2109.06126v1
• Date: Mon, 13 Sep 2021 17:05:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:07:00.222305
• Title: Neural Network Guided Evolutionary Fuzzing for Finding Traffic Violations of Autonomous Vehicles
• Title（参考訳）: 自律走行車両の交通振動検出のためのニューラルネットワーク誘導進化ファズリング
• Authors: Ziyuan Zhong, Gail Kaiser, Baishakhi Ray
• Abstract要約: 既存のテスト方法は、自動運転車のエンドツーエンドの動作をチェックするのに不十分である。 本稿では,広く使用されているAVシミュレータのAPI文法を活用可能な,AutoFuzzと呼ばれるファジテスト手法を提案する。 AutoFuzzは、現実の事故に似た何百もの現実的な交通違反を効率的に見つける。
• 参考スコア（独自算出の注目度）: 15.702721819948623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-driving cars and trucks, autonomous vehicles (AVs), should not be accepted by regulatory bodies and the public until they have much higher confidence in their safety and reliability -- which can most practically and convincingly be achieved by testing. But existing testing methods are inadequate for checking the end-to-end behaviors of AV controllers against complex, real-world corner cases involving interactions with multiple independent agents such as pedestrians and human-driven vehicles. While test-driving AVs on streets and highways fails to capture many rare events, existing simulation-based testing methods mainly focus on simple scenarios and do not scale well for complex driving situations that require sophisticated awareness of the surroundings. To address these limitations, we propose a new fuzz testing technique, called AutoFuzz, which can leverage widely-used AV simulators' API grammars. to generate semantically and temporally valid complex driving scenarios (sequences of scenes). AutoFuzz is guided by a constrained Neural Network (NN) evolutionary search over the API grammar to generate scenarios seeking to find unique traffic violations. Evaluation of our prototype on one state-of-the-art learning-based controller and two rule-based controllers shows that AutoFuzz efficiently finds hundreds of realistic traffic violations resembling real-world crashes. Further, fine-tuning the learning-based controller with the traffic violations found by AutoFuzz successfully reduced the traffic violations found in the new version of the AV controller software.
• Abstract（参考訳）: 自動運転車やトラック、自動運転車(AV)は、安全と信頼性への信頼がより高くなるまで、規制当局や一般大衆から受け入れられるべきではない。 しかし、既存のテスト方法は、歩行者や人間駆動車といった複数の独立したエージェントとのインタラクションを含む複雑な現実のコーナーケースに対して、AVコントローラのエンドツーエンドの動作をチェックするには不十分です。 道路や高速道路での試験運転avは、多くの稀なイベントを捉えることができないが、既存のシミュレーションベースのテスト方法は、主に単純なシナリオに焦点をあて、周囲の高度な認識を必要とする複雑な運転状況に対して、スケールしない。 これらの制限に対処するため,我々は,avシミュレータのapi文法を活用できるautofuzzと呼ばれる新しいfuzzテスト手法を提案する。 意味的かつ時間的に有効な複雑な運転シナリオ(シーンのシーケンス)を生成する。 AutoFuzzは、ユニークなトラフィック違反を見つけるためのシナリオを生成するために、API文法上の制約付きニューラルネットワーク(NN)進化的検索によってガイドされる。 1つの最先端の学習ベースコントローラと2つのルールベースのコントローラによるプロトタイプの評価は、AutoFuzzが現実世界のクラッシュに似た現実的な交通違反を効率的に見つけることを示す。 さらに、AutoFuzzが発見したトラフィック違反による学習ベースのコントローラの微調整により、新しいAVコントローラソフトウェアに見られるトラフィック違反の低減に成功した。

関連論文リスト

• PAFOT: A Position-Based Approach for Finding Optimal Tests of Autonomous Vehicles [4.243926243206826]
  本稿では位置に基づくアプローチテストフレームワークであるPAFOTを提案する。 PAFOTは、自動走行システムの安全違反を明らかにするために、敵の運転シナリオを生成する。 PAFOTはADSをクラッシュさせる安全クリティカルなシナリオを効果的に生成し、短いシミュレーション時間で衝突を見つけることができることを示す実験である。
  論文  参考訳（メタデータ） (2024-05-06T10:04:40Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• 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)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Coverage-based Scene Fuzzing for Virtual Autonomous Driving Testing [7.820464285404852]
  本稿では,様々な構成パラメータを自動生成して新たな運転シーンを生成するための,カバレッジ駆動型ファジリング手法を提案する。 実験結果から, このファジィ法は, テスタが設計した初期設定から, 新たな危険シーンを抽出する際のコストを大幅に削減できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-02T00:49:59Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Finding Physical Adversarial Examples for Autonomous Driving with Fast and Differentiable Image Compositing [33.466413757630846]
  本研究では、シミュレーションされた自律走行環境の逆修正を見つけるためのスケーラブルなアプローチを提案する。 ベイズ最適化に基づく最先端のアプローチよりも,我々のアプローチははるかにスケーラブルで,はるかに効果的です。
  論文  参考訳（メタデータ） (2020-10-17T18:35:32Z)
• 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)
• Stop-and-Go: Exploring Backdoor Attacks on Deep Reinforcement Learning-based Traffic Congestion Control Systems [16.01681914880077]
  DRLを用いたAVコントローラのバックドア/トロイジャリングについて検討する。 悪意ある行動としては、車両の減速と加速によって停止・停止する交通波が発生することが挙げられる。 実験により、バックドアモデルが通常の動作性能を損なわないことが示された。
  論文  参考訳（メタデータ） (2020-03-17T08:20:43Z)

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。