論文の概要: A Survey on Scenario-Based Testing for Automated Driving Systems in High-Fidelity Simulation

• arxiv url: http://arxiv.org/abs/2112.00964v1
• Date: Thu, 2 Dec 2021 03:41:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 15:04:06.933511
• Title: A Survey on Scenario-Based Testing for Automated Driving Systems in High-Fidelity Simulation
• Title（参考訳）: 高忠実度シミュレーションにおける自動走行システムのシナリオベーステストに関する調査
• Authors: Ziyuan Zhong, Yun Tang, Yuan Zhou, Vania de Oliveira Neves, Yang Liu, Baishakhi Ray
• Abstract要約: 道路上でシステムをテストすることは、現実世界と望ましいアプローチに最も近いが、非常にコストがかかる。 一般的な選択肢は、ADSのパフォーマンスを、よく設計されたシナリオ、すなわちシナリオベースのテストで評価することである。 高忠実度シミュレータはこの設定で、何のシナリオかをテストする際の柔軟性と利便性を最大化するために広く使われている。
• 参考スコア（独自算出の注目度）: 26.10081199009559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated Driving Systems (ADSs) have seen rapid progress in recent years. To ensure the safety and reliability of these systems, extensive testings are being conducted before their future mass deployment. Testing the system on the road is the closest to real-world and desirable approach, but it is incredibly costly. Also, it is infeasible to cover rare corner cases using such real-world testing. Thus, a popular alternative is to evaluate an ADS's performance in some well-designed challenging scenarios, a.k.a. scenario-based testing. High-fidelity simulators have been widely used in this setting to maximize flexibility and convenience in testing what-if scenarios. Although many works have been proposed offering diverse frameworks/methods for testing specific systems, the comparisons and connections among these works are still missing. To bridge this gap, in this work, we provide a generic formulation of scenario-based testing in high-fidelity simulation and conduct a literature review on the existing works. We further compare them and present the open challenges as well as potential future research directions.
• Abstract（参考訳）: 自動運転システム(ADS)は近年急速に進歩している。 これらのシステムの安全性と信頼性を確保するため、将来の大量配備前に広範なテストが行われている。 道路上でシステムをテストすることは、現実世界と望ましいアプローチに最も近いが、非常にコストがかかる。 また、このような現実世界のテストで稀なコーナーケースをカバーすることも不可能である。 したがって、一般的な代替手段は、ADSのパフォーマンスを、よく設計されたシナリオ、すなわちシナリオベースのテストで評価することである。 この設定で高忠実度シミュレータは、what-ifシナリオをテストする際の柔軟性と利便性を最大化するために広く使われている。 特定のシステムをテストするための様々なフレームワークやメソッドを提供する多くの研究が提案されているが、それらの比較や関連性はいまだに欠けている。 このギャップを埋めるため,本研究では,高忠実度シミュレーションにおけるシナリオベーステストの汎用的な定式化と,既存の作品に関する文献レビューを行う。 さらにそれらを比較し、オープンな課題と将来の研究方向性を提示する。

関連論文リスト

• XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
  本稿では,自律走行シミュレーションに特化して設計された新しい駆動ビュー合成データセットとベンチマークを提案する。 データセットには、トレーニング軌跡から1-4mずれて取得した画像のテストが含まれているため、ユニークなものだ。 我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-26T14:00:21Z)
• Automated System-level Testing of Unmanned Aerial Systems [2.2249176072603634]
  国際安全基準の主な要件は、アビオニクスソフトウェアシステムの厳格なシステムレベルのテストを実行することである。 提案したアプローチ(AITester)は、モデルベースのテストと人工知能(AI)技術を使用して、さまざまなテストシナリオを自動生成、実行、評価する。
  論文  参考訳（メタデータ） (2024-03-23T14:47:26Z)
• Simulative Performance Analysis of an AD Function with Road Network Variation [0.0]
  そこで本研究では,シナリオの集合を多変量で自動テストする手法を提案する。 これらの変化は、ADF周辺の交通参加者には適用されないが、道路トポロジに関するパラメータがADFの性能に影響を及ぼすことを示すために、道路ネットワークに適用される。
  論文  参考訳（メタデータ） (2023-08-01T15:25:51Z)
• On Pitfalls of Test-Time Adaptation [82.8392232222119]
  TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。 TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-06T09:35:29Z)
• An Application of Scenario Exploration to Find New Scenarios for the Development and Testing of Automated Driving Systems in Urban Scenarios [2.480533141352916]
  この研究はベイズ最適化とガウス過程を利用して、論理的シナリオの中で関連する、興味深い、あるいは重要なパラメータ集合を見つけることを目的としている。 この研究がもたらし、さらに調査すべきアイデアの一覧が提示される。
  論文  参考訳（メタデータ） (2022-05-17T09:47:32Z)
• Complete Agent-driven Model-based System Testing for Autonomous Systems [0.0]
  複雑な自律輸送システムをテストするための新しいアプローチについて述べる。 検証と検証に関して最も重大な問題のいくつかを軽減することを目的としている。
  論文  参考訳（メタデータ） (2021-10-25T01:55:24Z)
• 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)
• 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)
• 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)
• From Simulation to Real World Maneuver Execution using Deep Reinforcement Learning [69.23334811890919]
  深層強化学習(Deep Reinforcement Learning)は、さまざまな分野における多くの制御タスクを解決できることが証明されている。 これは主に、シミュレーションデータと実世界のデータ間のドメイン適応の欠如と、トレインデータセットとテストデータセットの区別の欠如による。 本稿では,エージェントが同時に訓練される複数の環境に基づくシステムを提案する。
  論文  参考訳（メタデータ） (2020-05-13T14:22:20Z)
• Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement Learning Framework [68.96770035057716]
  A/Bテスト(A/B Testing)は、新しい製品を製薬、技術、伝統産業の古い製品と比較するビジネス戦略である。 本稿では,オンライン実験においてA/Bテストを実施するための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-05T10:25:02Z)

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。