論文の概要: Toward Unsupervised Test Scenario Extraction for Automated Driving
Systems from Urban Naturalistic Road Traffic Data
- arxiv url: http://arxiv.org/abs/2202.06608v2
- Date: Fri, 21 Apr 2023 14:15:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-24 18:39:51.730486
- Title: Toward Unsupervised Test Scenario Extraction for Automated Driving
Systems from Urban Naturalistic Road Traffic Data
- Title（参考訳）: 都市交通データから自動走行システムの教師なしテストシナリオ抽出に向けて
- Authors: Nico Weber, Christoph Thiem, and Ulrich Konigorski
- Abstract要約: 提案手法は、道路交通データからシナリオを抽出するための教師なし機械学習パイプラインをデプロイする。
InDおよびSilicon Valley Intersectionsデータセットから都市交差点の自然道路交通データを評価する。
階層的クラスタリングを用いて,4から5クラスタに移行すると,全体の精度が約20%向上し,41クラスタから全体の精度が84%の飽和効果が得られた。
- 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.
Since an infinite number of concrete scenarios can theoretically occur in
real-world road traffic, the extraction of scenarios relevant in terms of the
safety-related behavior of these systems is a key aspect for their successful
verification and validation. Therefore, a method for extracting multimodal
urban traffic scenarios from naturalistic road traffic data in an unsupervised
manner, minimizing the amount of (potentially biased) prior expert knowledge,
is proposed. Rather than an (elaborate) rule-based assignment by extracting
concrete scenarios into predefined functional scenarios, the presented method
deploys an unsupervised machine learning pipeline. The approach allows
exploring the unknown nature of the data and their interpretation as test
scenarios that experts could not have anticipated. The method is evaluated for
naturalistic road traffic data at urban intersections from the inD and the
Silicon Valley Intersections datasets. For this purpose, it is analyzed with
which clustering approach (K-Means, hierarchical clustering, and DBSCAN) the
scenario extraction method performs best (referring to an elaborate rule-based
implementation). Subsequently, using hierarchical clustering the results show
both a jump in overall accuracy of around 20% when moving from 4 to 5 clusters
and a saturation effect starting at 41 clusters with an overall accuracy of
84%. These observations can be a valuable contribution in the context of the
trade-off between the number of functional scenarios (i.e., clustering
accuracy) and testing effort. Possible reasons for the observed accuracy
variations of different clusters, each with a fixed total number of given
clusters, are discussed.
- Abstract（参考訳）: シナリオベースのテストは、自動走行システムを備えた車両の安全な動作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。
理論的には、現実の道路交通において無限の具体的なシナリオが発生するため、これらのシステムの安全性に関する振る舞いの観点からシナリオを抽出することが、検証と検証の成功の重要な側面である。
そこで本研究では,非教師的道路交通データから多様都市交通シナリオを抽出し,事前知識の量(潜在的に偏り)を最小限に抑える手法を提案する。
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(詳細)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。
このアプローチでは、データの未知の性質と、その解釈を、専門家が予想できなかったテストシナリオとして探求することができる。
本手法は,inDとSilicon Valley Intersectionsデータセットから都市交差点の自然道路交通データを評価する。
この目的のために,シナリオ抽出手法が(k平均,階層クラスタリング,dbscan)どのクラスタリング手法が最適かを分析する(詳細ルールベース実装を参照)。
その後、階層的クラスタリングを用いることで、4から5クラスタに移行する場合の全体の精度が約20%向上し、全体の精度が84%の41クラスタから飽和効果が得られた。
これらの観察は、機能シナリオの数(すなわちクラスタリングの精度)とテストの労力の間のトレードオフの文脈において、貴重な貢献となる。
それぞれに与えられたクラスタの総数の固定された、異なるクラスタの観測精度のばらつきについて論じる。
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。