論文の概要: A Scenario-Based Platform for Testing Autonomous Vehicle Behavior
Prediction Models in Simulation
- arxiv url: http://arxiv.org/abs/2110.14870v1
- Date: Thu, 28 Oct 2021 03:30:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 06:31:35.304417
- Title: A Scenario-Based Platform for Testing Autonomous Vehicle Behavior
Prediction Models in Simulation
- Title（参考訳）: シミュレーションにおける自律走行行動予測モデルテストのためのシナリオベースプラットフォーム
- Authors: Francis Indaheng, Edward Kim, Kesav Viswanadha, Jay Shenoy, Jinkyu
Kim, Daniel J. Fremont, Sanjit A. Seshia
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.33320266231475
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Behavior prediction remains one of the most challenging tasks in the
autonomous vehicle (AV) software stack. Forecasting the future trajectories of
nearby agents plays a critical role in ensuring road safety, as it equips AVs
with the necessary information to plan safe routes of travel. However, these
prediction models are data-driven and trained on data collected in real life
that may not represent the full range of scenarios an AV can encounter. Hence,
it is important that these prediction models are extensively tested in various
test scenarios involving interactive behaviors prior to deployment. To support
this need, we present a simulation-based testing platform which supports (1)
intuitive scenario modeling with a probabilistic programming language called
Scenic, (2) specifying a multi-objective evaluation metric with a partial
priority ordering, (3) falsification of the provided metric, and (4)
parallelization of simulations for scalable testing. As a part of the platform,
we provide a library of 25 Scenic programs that model challenging test
scenarios involving interactive traffic participant behaviors. We demonstrate
the effectiveness and the scalability of our platform by testing a trained
behavior prediction model and searching for failure scenarios.
- Abstract（参考訳）: 行動予測は、自動運転車(AV)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。
近くのエージェントの将来の軌道を予測することは、avsに安全な経路計画に必要な情報を提供するため、道路安全を確保する上で重要な役割を担っている。
しかし、これらの予測モデルはデータ駆動であり、実生活で収集されたデータに基づいて訓練されている。
したがって、これらの予測モデルは、デプロイ前にインタラクティブな振る舞いを含む様々なテストシナリオで広範囲にテストされることが重要である。
そこで本論文では,(1)Scenicと呼ばれる確率的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,(2)部分的な優先順位付けによる多目的評価指標の指定,(3)提案した指標のファルシフィケーション,(4)スケーラブルなテストのためのシミュレーションの並列化を支援するシミュレーションベーステストプラットフォームを提案する。
プラットフォームの一部として、インタラクティブなトラフィック参加者の振る舞い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。
学習した行動予測モデルをテストし,障害シナリオを探索することで,プラットフォームの有効性とスケーラビリティを実証する。
関連論文リスト
- JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。
このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。
本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
論文 参考訳（メタデータ） (2023-11-05T18:59:31Z) - Pixel State Value Network for Combined Prediction and Planning in
Interactive Environments [9.117828575880303]
本研究は,予測と計画を組み合わせた深層学習手法を提案する。
U-Netアーキテクチャを持つ条件付きGANは、2つの高解像度画像シーケンスを予測するために訓練される。
結果は、対立する目的の中で車線の変化のような複雑な状況において直感的な行動を示す。
論文 参考訳（メタデータ） (2023-10-11T17:57:13Z) - A Control-Centric Benchmark for Video Prediction [69.22614362800692]
本稿では,アクション条件付きビデオ予測のベンチマークを,制御ベンチマークの形式で提案する。
私たちのベンチマークには、11のタスクカテゴリと310のタスクインスタンス定義を備えたシミュレーション環境が含まれています。
次に、ベンチマークを活用して、スケールするモデルサイズ、トレーニングデータの量、モデルアンサンブルの影響を調査します。
論文 参考訳（メタデータ） (2023-04-26T17:59:45Z) - Addressing the IEEE AV Test Challenge with Scenic and VerifAI [10.221093591444731]
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。
論文 参考訳（メタデータ） (2021-08-20T04:51:27Z) - 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) - 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) - Reactive motion planning with probabilistic safety guarantees [27.91467018272684]
本稿では,複数の非制御エージェントを用いた環境における動作計画の問題点について考察する。
制御されていないエージェントの予測モデルは、シナリオに基づいて短い地平線内で全ての可能な軌道を予測するために訓練される。
提案手法は,自動運転を模擬したシナリオにおいてシミュレーションで実証される。
論文 参考訳（メタデータ） (2020-11-06T20:37:15Z) - 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) - 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。