論文の概要: CausalAF: Causal Autoregressive Flow for Safety-Critical Driving
Scenario Generation
- arxiv url: http://arxiv.org/abs/2110.13939v3
- Date: Sat, 19 Aug 2023 19:34:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 03:23:56.340800
- Title: CausalAF: Causal Autoregressive Flow for Safety-Critical Driving
Scenario Generation
- Title(参考訳): CausalAF:安全臨界運転シナリオ生成のための因果自己回帰流
- Authors: Wenhao Ding, Haohong Lin, Bo Li, Ding Zhao
- Abstract要約: フローベース生成フレームワークCausal Autoregressive Flow(CausalAF)を提案する。
CausalAFは生成モデルに対して、生成されたオブジェクト間の因果関係を発見し、追跡することを奨励する。
生成したシナリオを追加のトレーニングサンプルとして使用することで、自律運転アルゴリズムの堅牢性を実証的に改善することを示す。
- 参考スコア(独自算出の注目度): 34.45216283597149
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating safety-critical scenarios, which are crucial yet difficult to
collect, provides an effective way to evaluate the robustness of autonomous
driving systems. However, the diversity of scenarios and efficiency of
generation methods are heavily restricted by the rareness and structure of
safety-critical scenarios. Therefore, existing generative models that only
estimate distributions from observational data are not satisfying to solve this
problem. In this paper, we integrate causality as a prior into the scenario
generation and propose a flow-based generative framework, Causal Autoregressive
Flow (CausalAF). CausalAF encourages the generative model to uncover and follow
the causal relationship among generated objects via novel causal masking
operations instead of searching the sample only from observational data. By
learning the cause-and-effect mechanism of how the generated scenario causes
risk situations rather than just learning correlations from data, CausalAF
significantly improves learning efficiency. Extensive experiments on three
heterogeneous traffic scenarios illustrate that CausalAF requires much fewer
optimization resources to effectively generate safety-critical scenarios. We
also show that using generated scenarios as additional training samples
empirically improves the robustness of autonomous driving algorithms.
- Abstract(参考訳): 安全クリティカルなシナリオの生成は、収集が極めて難しいが、自律運転システムの堅牢性を評価する効果的な方法を提供する。
しかしながら、シナリオの多様性と生成方法の効率は、安全クリティカルシナリオのレアネスと構造によって強く制限されている。
したがって、観測データからのみ分布を推定する既存の生成モデルは、この問題を解決するには不十分である。
本稿では,因果関係をシナリオ生成に取り入れ,フローベース生成フレームワークCausal Autoregressive Flow (CausalAF)を提案する。
CausalAFは、観測データのみからサンプルを検索する代わりに、新しい因果マスク操作によって生成されたオブジェクト間の因果関係を発見し、追跡することを生成モデルに推奨する。
生成したシナリオがデータから相関を学習するだけでなく、リスク状況を引き起こす原因と効果のメカニズムを学ぶことで、CausalAFは学習効率を大幅に改善する。
3つの異種交通シナリオに関する大規模な実験は、CausalAFが安全クリティカルなシナリオを効果的に生成するために最適化リソースをはるかに少なくする必要があることを示している。
また,生成したシナリオを追加のトレーニングサンプルとして使用することで,自律運転アルゴリズムのロバスト性が実証的に向上することを示す。
関連論文リスト
- Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - 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) - Seeing is not Believing: Robust Reinforcement Learning against Spurious
Correlation [57.351098530477124]
国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。
このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。
したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
論文 参考訳(メタデータ) (2023-07-15T23:53:37Z) - Adaptive Failure Search Using Critical States from Domain Experts [9.93890332477992]
フェールサーチは、シミュレーションまたは実世界のテストにおいて、かなりの走行距離をロギングすることで行うことができる。
ASTはマルコフ決定プロセスとして失敗探索の問題を提起する手法である。
ASTフレームワークにクリティカルステートを組み込むことで,安全性違反の増大を伴う障害シナリオが生成されることを示す。
論文 参考訳(メタデータ) (2023-04-01T18:14:41Z) - Grasping Causality for the Explanation of Criticality for Automated
Driving [0.0]
本研究では,自動走行における安全関連要因の因果的理解を促進する因果的クエリの形式化を提案する。
ジュデア・パールの因果論に基づいて、因果関係を文脈とともに因果構造として定義する。
因果クエリに対する応答を正当に推定するには,データの可用性と品質が不可欠であるため,実世界および合成データ取得の要件についても論じる。
論文 参考訳(メタデータ) (2022-10-27T12:37:00Z) - 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) - 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) - Multimodal Safety-Critical Scenarios Generation for Decision-Making
Algorithms Evaluation [23.43175124406634]
既存のニューラルネットワークベースの自律システムは、敵の攻撃に対して脆弱であることが示されている。
意思決定アルゴリズムの評価のためのフローベースマルチモーダル安全クリティカルシナリオジェネレータを提案する。
生成したトラフィックシナリオを用いて6つの強化学習アルゴリズムを評価し,その堅牢性に関する実証的な結論を提供する。
論文 参考訳(メタデータ) (2020-09-16T15:16:43Z) - 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。