論文の概要: UnScenE: Toward Unsupervised Scenario Extraction for Automated Driving
Systems from Urban Naturalistic Road Traffic Data
- arxiv url: http://arxiv.org/abs/2202.06608v1
- Date: Mon, 14 Feb 2022 10:55:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 02:17:07.577545
- Title: UnScenE: Toward Unsupervised Scenario Extraction for Automated Driving
Systems from Urban Naturalistic Road Traffic Data
- Title（参考訳）: UnScene:都市自然主義道路交通データから自動走行システムの教師なしシナリオ抽出に向けて
- Authors: Nico Weber, Christoph Thiem, and Ulrich Konigorski
- Abstract要約: 本稿では, 自然主義的な道路交通データから, 教師なしの方法で都市交通シナリオを抽出する手法を提案する。
これには、主機能分析、いわゆるシナリオグリッドによる特徴抽出、主コンポーネント分析による次元性低減、シナリオクラスタリング、クラスタ検証が含まれる。
inDとシリコンバレーのデータセットから都市交差点の道路交通データについて,本手法を実証し,評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Scenario-based testing is a promising approach to solve the challenge of
proving the safe behavior of vehicles equipped with automated driving systems
(ADS). Since an infinite number of concrete scenarios can theoretically occur
in real-world road traffic, the extraction of relevant scenarios that are
sensitive regarding the safety-related behavior of ADS-equipped vehicles is a
key aspect for the successful verification and validation of these systems.
Therefore, this paper provides a method for extracting multimodal urban traffic
scenarios from naturalistic road traffic data in an unsupervised manner for
minimizing the amount of (potentially biased) prior expert knowledge needed.
Rather than an (expensive) rule-based assignment by extracting concrete
scenarios into predefined functional scenarios, the presented method deploys an
unsupervised machine learning pipeline. It includes principal feature analysis,
feature extraction with so-called scenario grids, dimensionality reduction by
principal component analysis, scenario clustering as well as cluster
validation. The approach allows exploring the unknown natures of the data and
interpreting them as scenarios that experts could not have anticipated. The
method is demonstrated and evaluated for naturalistic road traffic data at
urban intersections from the inD and the Silicon Valley dataset. The findings
encourage the use of this type of data as well as unsupervised machine learning
approaches as important pillar for a systematic construction of a relevant
scenario database with sufficient coverage for testing ADS.
- Abstract（参考訳）: シナリオベースのテストは、自動走行システム(ADS)を備えた車両の安全行動を証明するという課題を解決するための有望なアプローチである。
現実の道路交通において、理論的に無限の具体的なシナリオが発生するため、ADS搭載車両の安全関連挙動に敏感なシナリオの抽出は、これらのシステムの検証と検証を成功させる重要な側面である。
そこで本稿では, 自然主義的な道路交通データから, 必要な事前知識の量(潜在的に偏り)を最小限に抑えるために, 都市交通シナリオを抽出する手法を提案する。
具体的なシナリオを事前に定義された機能シナリオに抽出する(拡張的な)ルールベースの代入ではなく、提案手法は教師なしの機械学習パイプラインをデプロイする。
これには、主機能分析、いわゆるシナリオグリッドによる特徴抽出、主コンポーネント分析による次元性低減、シナリオクラスタリング、クラスタ検証が含まれる。
このアプローチでは、データの未知の性質を探索し、専門家が予想できなかったシナリオとして解釈することができる。
inDとシリコンバレーのデータセットから都市交差点の道路交通データについて,本手法を実証,評価した。
この結果は、ADSをテストするのに十分なカバレッジを持つ関連するシナリオデータベースを体系的に構築するための重要な柱として、この種のデータと教師なし機械学習アプローチの使用を奨励する。
関連論文リスト
- Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。
本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
論文 参考訳（メタデータ） (2024-11-04T09:21:00Z) - Automated and Complete Generation of Traffic Scenarios at Road Junctions Using a Multi-level Danger Definition [2.5608506499175094]
本稿では,任意の道路交差点において,完全な(潜在的に危険な)抽象シナリオを導出する手法を提案する。
これらの抽象的なシナリオから、アクターがシミュレーションベースのテストをガイドするために従わなければならない正確なパスを導き出す。
その結果, AV-under-test はシミュレーションにおける不安全行動の割合の増加に関与していることがわかった。
論文 参考訳（メタデータ） (2024-10-09T17:23:51Z) - Uniting contrastive and generative learning for event sequences models [51.547576949425604]
本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。
いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
論文 参考訳（メタデータ） (2024-08-19T13:47:17Z) - Graph Convolutional Networks for Complex Traffic Scenario Classification [0.7919810878571297]
シナリオベースのテストアプローチは、自動運転システムの安全性の統計的に重要な証拠を得るのに必要な時間を短縮することができる。
シナリオ分類のほとんどの方法は、多様な環境を持つ複雑なシナリオでは機能しない。
本研究では,車両と環境との相互作用をモデル化できる複雑な交通シナリオ分類手法を提案する。
論文 参考訳（メタデータ） (2023-10-26T20:51:24Z) - Realistic Safety-critical Scenarios Search for Autonomous Driving System
via Behavior Tree [8.286351881735191]
本研究では,行動木に基づくテストフレームワークであるMatrix-Fuzzerを提案し,現実的な安全クリティカルなテストシナリオを自動的に生成する。
提案手法では, 安全クリティカルシナリオのタイプが最も多いが, ベースラインアルゴリズムと比較して, 全体の30%程度しか生成できない。
論文 参考訳（メタデータ） (2023-05-11T06:53:03Z) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-03-17T00:28:33Z) - Hybrid Dynamic Contrast and Probability Distillation for Unsupervised
Person Re-Id [109.1730454118532]
非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。
本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。
教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
論文 参考訳（メタデータ） (2021-09-29T02:56:45Z) - 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) - 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) - Unsupervised and Supervised Learning with the Random Forest Algorithm
for Traffic Scenario Clustering and Classification [4.169845583045265]
本研究の目的は,交通シナリオのカテゴリを自動的に見つけ出す手法を提供することである。
アーキテクチャは3つの主要コンポーネントで構成されている: 顕微鏡的トラフィックシミュレーション、クラスタリング技術、および運用フェーズの分類技術である。
論文 参考訳（メタデータ） (2020-04-05T08:26:29Z)
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。