Fugu-MT 論文翻訳(概要): Detecting Safety Problems of Multi-Sensor Fusion in Autonomous Driving

論文の概要: Detecting Safety Problems of Multi-Sensor Fusion in Autonomous Driving

arxiv url: http://arxiv.org/abs/2109.06404v1
Date: Tue, 14 Sep 2021 02:35:34 GMT
ステータス: 処理完了
システム内更新日: 2021-09-15 15:48:12.915385
Title: Detecting Safety Problems of Multi-Sensor Fusion in Autonomous Driving
Title（参考訳）: 自律運転におけるマルチセンサ融合の安全性問題検出
Authors: Ziyuan Zhong, Zhisheng Hu, Shengjian Guo, Xinyang Zhang, Zhenyu Zhong, Baishakhi Ray
Abstract要約: マルチセンサー融合(MSF)は、センサー入力を融合させ、周囲のより信頼性の高い理解を生み出すために用いられる。業界グレードのアドバンストドライバー支援システム(ADAS)におけるMSF手法は、車の制御を誤解させ、深刻な安全上の危険をもたらす可能性がある。本研究では,新しい進化的ドメイン固有探索フレームワークFusionFuzzを開発した。
参考スコア（独自算出の注目度）: 18.39664775350204
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autonomous driving (AD) systems have been thriving in recent years. In general, they receive sensor data, compute driving decisions, and output control signals to the vehicles. To smooth out the uncertainties brought by sensor inputs, AD systems usually leverage multi-sensor fusion (MSF) to fuse the sensor inputs and produce a more reliable understanding of the surroundings. However, MSF cannot completely eliminate the uncertainties since it lacks the knowledge about which sensor provides the most accurate data. As a result, critical consequences might happen unexpectedly. In this work, we observed that the popular MSF methods in an industry-grade Advanced Driver-Assistance System (ADAS) can mislead the car control and result in serious safety hazards. Misbehavior can happen regardless of the used fusion methods and the accurate data from at least one sensor. To attribute the safety hazards to a MSF method, we formally define the fusion errors and propose a way to distinguish safety violations causally induced by such errors. Further, we develop a novel evolutionary-based domain-specific search framework, FusionFuzz, for the efficient detection of fusion errors. We evaluate our framework on two widely used MSF methods. %in two driving environments. Experimental results show that FusionFuzz identifies more than 150 fusion errors. Finally, we provide several suggestions to improve the MSF methods under study.
Abstract（参考訳）: 近年,自律運転(AD)システムが盛んである。一般に、センサーデータを受け取り、運転決定を計算し、車両に制御信号を出力する。センサ入力による不確実性を円滑にするために、ADシステムは通常、マルチセンサー融合(MSF)を利用してセンサー入力を融合させ、周囲のより信頼性の高い理解を生み出す。しかし、msfは最も正確なデータを提供するセンサに関する知識が欠けているため、不確実性を完全に排除することはできない。その結果、致命的な結果が予想外に起こる可能性がある。本研究では,業界グレードの高度運転支援システム(ADAS)におけるMSF手法が,車両の制御を誤認し,重大な危険を生じさせることを示した。誤作動は、使用済みの融合法や少なくとも1つのセンサーからの正確なデータにかかわらず起こりうる。 MSF法における安全性のリスクを考慮し,融合エラーを正式に定義し,そのようなエラーによって因果的に生じる安全違反を識別する方法を提案する。さらに,新しい進化型ドメイン固有探索フレームワークであるfusionfuzzを開発した。広く使われている2つのMSF法について,本フレームワークの評価を行った。 %であった。実験の結果,FusionFuzzは150以上の核融合誤差を同定した。最後に,本研究におけるMSF法の改良について提案する。

関連論文リスト

Joint Attention-Guided Feature Fusion Network for Saliency Detection of Surface Defects [69.39099029406248]
本稿では,エンコーダ・デコーダネットワークに基づく表面欠陥検出のための共同注意誘導型特徴融合ネットワーク(JAFFNet)を提案する。 JAFFNetは、主にJAFFモジュールをデコードステージに組み込んで、低レベルと高レベルの機能を適応的に融合させる。 SD- Saliency-900, Magnetic tile, and DAGM 2007 で行った実験から,本手法が他の最先端手法と比較して有望な性能を達成できたことが示唆された。
論文参考訳（メタデータ） (2024-02-05T08:10:16Z)
Uncertainty-Encoded Multi-Modal Fusion for Robust Object Detection in Autonomous Driving [8.991012799672713]
本稿では,単一モードの不確かさをLiDAR-camera融合に明示的に組み込む不確実性符号化混合(UMoE)を提案する。 UMoEの最大性能は10.67%、3.17%、そして5.40%である。
論文参考訳（メタデータ） (2023-07-30T04:00:41Z)
Multi-Modal 3D Object Detection by Box Matching [109.43430123791684]
マルチモーダル3次元検出のためのボックスマッチング(FBMNet)による新しいフュージョンネットワークを提案する。 3Dオブジェクトと2Dオブジェクトの提案を学習することで、ROI特徴を組み合わせることで、検出のための融合を効果的に行うことができる。
論文参考訳（メタデータ） (2023-05-12T18:08:51Z)
Enhancing Road Safety through Accurate Detection of Hazardous Driving Behaviors with Graph Convolutional Recurrent Networks [0.2578242050187029]
グラフ畳み込み長短期記憶ネットワーク(GConvLSTM)に基づく信頼性駆動行動検出(DBD)システムを提案する。提案モデルでは,公共センサの精度97.5%,非公共センサの平均精度98.1%を達成し,両者の整合性と精度を示した。提案システムは,道路の安全向上と運転ミスによる事故件数削減に有効である可能性が示唆された。
論文参考訳（メタデータ） (2023-05-08T21:05:36Z)
AutoFed: Heterogeneity-Aware Federated Multimodal Learning for Robust Autonomous Driving [15.486799633600423]
AutoFedは、自動運転車のマルチモーダルセンサーデータをフル活用するためのフレームワークである。本研究では, 未知の物体を背景として誤って扱うことを避けるために, 擬似ラベルを用いた新しいモデルを提案する。また、欠落したデータモダリティを補うために、オートエンコーダに基づくデータ計算手法を提案する。
論文参考訳（メタデータ） (2023-02-17T01:31:53Z)
Safety-Enhanced Autonomous Driving Using Interpretable Sensor Fusion Transformer [28.15612357340141]
我々は、InterFuser(Interpretable Sensor Fusion Transformer)という安全強化型自律走行フレームワークを提案する。我々は、総合的なシーン理解と対向事象検出を実現するために、マルチモーダル・マルチビューセンサーからの情報を処理し、融合する。私たちのフレームワークは、よりセマンティクスを提供し、安全なセット内のアクションをよりよく制約するために利用されます。
論文参考訳（メタデータ） (2022-07-28T11:36:21Z)
HydraFusion: Context-Aware Selective Sensor Fusion for Robust and Efficient Autonomous Vehicle Perception [9.975955132759385]
自律走行車(AV)の知覚を改善するために、カメラ、レーダー、ライダーセンサーからのセンサデータを融合する技術が提案されている。既存の手法は、融合実装の剛性のため、困難な運転環境では不十分に堅牢である。提案するHydraFusionは、現在の運転状況を特定し、センサの最良の組み合わせを融合する選択的なセンサー融合フレームワークである。
論文参考訳（メタデータ） (2022-01-17T22:19:53Z)
Invisible for both Camera and LiDAR: Security of Multi-Sensor Fusion based Perception in Autonomous Driving Under Physical-World Attacks [62.923992740383966]
本稿では,MDFに基づくADシステムにおけるセキュリティ問題の最初の研究について述べる。物理的に実現可能な逆3Dプリントオブジェクトを生成し、ADシステムが検出に失敗してクラッシュする。以上の結果から,攻撃は様々なオブジェクトタイプおよびMSFに対して90%以上の成功率を達成した。
論文参考訳（メタデータ） (2021-06-17T05:11:07Z)
Multimodal Object Detection via Bayesian Fusion [59.31437166291557]
我々は、RGBとサーマルカメラでマルチモーダルオブジェクト検出を研究します。後者は照明不良下ではるかに強力なオブジェクトシグネチャを提供することができます。我々の重要な貢献は、異なるモードのボックス検出を融合する非学習遅延融合法である。このアプローチは、整列(KAIST)と非整列(FLIR)のマルチモーダルセンサーデータを含むベンチマークに適用されます。
論文参考訳（メタデータ） (2021-04-07T04:03:20Z)
Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
論文参考訳（メタデータ） (2020-07-14T05:25:15Z)
Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
論文参考訳（メタデータ） (2019-12-30T20:25:16Z)

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。