論文の概要: Risk-Aware Scene Sampling for Dynamic Assurance of Autonomous Systems

• arxiv url: http://arxiv.org/abs/2202.13510v1
• Date: Mon, 28 Feb 2022 02:22:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-01 15:48:40.122265
• Title: Risk-Aware Scene Sampling for Dynamic Assurance of Autonomous Systems
• Title（参考訳）: 自律システムの動的保証のためのリスク対応シーンサンプリング
• Authors: Shreyas Ramakrishna, Baiting Luo, Yogesh Barve, Gabor Karsai, and Abhishek Dubey
• Abstract要約: 我々はRandom Neighborhood Search (RNS) と Guided Bayesian Optimization (GBO) と呼ばれる2つのサンプルを用いたシーン生成手法を提案する。 我々は,CARLAシミュレーションにおける自律走行車の例を用いて,我々のアプローチを実証する。 RNSとGBOでは,高リスクシーンが83%,71%,グリッドが56%,66%,ハルトンが92%であった。
• 参考スコア（独自算出の注目度）: 2.221578716680031
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous Cyber-Physical Systems must often operate under uncertainties like sensor degradation and shifts in the operating conditions, which increases its operational risk. Dynamic Assurance of these systems requires designing runtime safety components like Out-of-Distribution detectors and risk estimators, which require labeled data from different operating modes of the system that belong to scenes with adverse operating conditions, sensors, and actuator faults. Collecting real-world data of these scenes can be expensive and sometimes not feasible. So, scenario description languages with samplers like random and grid search are available to generate synthetic data from simulators, replicating these real-world scenes. However, we point out three limitations in using these conventional samplers. First, they are passive samplers, which do not use the feedback of previous results in the sampling process. Second, the variables to be sampled may have constraints that are often not included. Third, they do not balance the tradeoff between exploration and exploitation, which we hypothesize is necessary for better search space coverage. We present a scene generation approach with two samplers called Random Neighborhood Search (RNS) and Guided Bayesian Optimization (GBO), which extend the conventional random search and Bayesian Optimization search to include the limitations. Also, to facilitate the samplers, we use a risk-based metric that evaluates how risky the scene was for the system. We demonstrate our approach using an Autonomous Vehicle example in CARLA simulation. To evaluate our samplers, we compared them against the baselines of random search, grid search, and Halton sequence search. Our samplers of RNS and GBO sampled a higher percentage of high-risk scenes of 83% and 92%, compared to 56%, 66% and 71% of the grid, random and Halton samplers, respectively.
• Abstract（参考訳）: 自律型サイバー物理システムは、しばしばセンサー劣化や運転条件の変化などの不確実性の下で運用されなければならない。 これらのシステムの動的保証には、分散検出器やリスク推定器のようなランタイムの安全コンポーネントを設計することが必要であり、システムの異なる操作モードからのラベル付きデータが必要となる。 これらのシーンの現実世界のデータ収集は高価であり、時には実現不可能である。 したがって、ランダムやグリッド検索のようなサンプルを用いたシナリオ記述言語は、シミュレータから合成データを生成し、これらの実世界のシーンを複製する。 しかし,これらのサンプルを用いた場合の限界は3つある。 第一に、それらはパッシブサンプリングであり、サンプリングプロセスで以前の結果のフィードバックを使用しない。 第二に、サンプルされる変数は、しばしば含まれない制約を持つ可能性がある。 第3に、彼らは探索と搾取の間のトレードオフのバランスをとっていない。 本稿では,ランダム近傍探索 (rns) と誘導ベイズ最適化 (gbo) と呼ばれる2つのサンプルを用いたシーン生成手法を提案する。 また,サンプル作成の促進のために,システムに対する危険度を評価するリスクベースの指標を用いる。 CARLAシミュレーションにおける自律走行車例を用いたアプローチの実証を行った。 サンプルについて,ランダム探索,グリッド探索,ハルトンシーケンス探索の基準値と比較した。 rnsとgboの検体は,56%,66%,71%のグリッド,ランダム,ハルトン検体に対して,ハイリスクシーンの83%,92%の検体率が高い。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• 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)
• Causality-based Transfer of Driving Scenarios to Unseen Intersections [0.0]
  シナリオベースのテストでは、自動関数は事前に定義されたシナリオのセットで評価される。 現実的なシナリオを作成するには、パラメータとパラメータの依存関係を実際のデータを活用する必要がある。 本稿では,シナリオのパラメータ間の関係を体系的に解析する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T15:38:18Z)
• SOTIF-Compliant Scenario Generation Using Semi-Concrete Scenarios and Parameter Sampling [6.195203785530687]
  SOTIF標準は、高度な運転支援システムと自動運転システムを検証するためにシナリオベースのテストを必要とする。 既存のシナリオ生成アプローチは、シナリオ空間の探索または活用に重点を置いている。 本稿では,SOTIF準拠のテストスイートを生成するための半一致シナリオとパラメータサンプリングを提案する。
  論文  参考訳（メタデータ） (2023-08-14T09:25:24Z)
• 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)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• Automated classification of pre-defined movement patterns: A comparison between GNSS and UWB technology [55.41644538483948]
  リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。 本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
  論文  参考訳（メタデータ） (2023-03-10T14:46:42Z)
• Adaptive Siamese Tracking with a Compact Latent Network [219.38172719948048]
  追跡タスクを分類に変換することで,シームズをベースとしたトラッカーを簡易化する直感的なビューを提供する。 そこで本研究では,視覚シミュレーションと実追跡例を用いて,詳細な解析を行う。 そこで我々は,古典的なSiamRPN++,SiamFC,SiamBANの3つのトラッカーを調整した。
  論文  参考訳（メタデータ） (2023-02-02T08:06:02Z)
• 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)
• 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。