論文の概要: How Do We Fail? Stress Testing Perception in Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2203.14155v1
• Date: Sat, 26 Mar 2022 20:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-03-29 13:45:24.353717
• Title: How Do We Fail? Stress Testing Perception in Autonomous Vehicles
• Title（参考訳）: どうやって失敗する? 自動運転車におけるストレステスト知覚
• Authors: Harrison Delecki, Masha Itkina, Bernard Lange, Ransalu Senanayake, Mykel J. Kochenderfer
• Abstract要約: 本稿では、悪天候下での自動運転車のLiDARによる認識システムの故障を特徴付ける手法を提案する。 本研究では,物体追跡や乱れの列による軌道予測において,潜在的な故障を発見するための強化学習に基づく手法を開発する。
• 参考スコア（独自算出の注目度）: 40.19326157052966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles (AVs) rely on environment perception and behavior prediction to reason about agents in their surroundings. These perception systems must be robust to adverse weather such as rain, fog, and snow. However, validation of these systems is challenging due to their complexity and dependence on observation histories. This paper presents a method for characterizing failures of LiDAR-based perception systems for AVs in adverse weather conditions. We develop a methodology based in reinforcement learning to find likely failures in object tracking and trajectory prediction due to sequences of disturbances. We apply disturbances using a physics-based data augmentation technique for simulating LiDAR point clouds in adverse weather conditions. Experiments performed across a wide range of driving scenarios from a real-world driving dataset show that our proposed approach finds high likelihood failures with smaller input disturbances compared to baselines while remaining computationally tractable. Identified failures can inform future development of robust perception systems for AVs.
• Abstract（参考訳）: 自律走行車(AV)は環境認識と行動予測に頼り、周囲のエージェントについて推論する。 これらの知覚システムは、雨、霧、雪などの悪天候に対して頑健でなければならない。 しかし,これらのシステムの妥当性の検証は,その複雑さと観察履歴への依存から困難である。 本稿では,悪天候下でのAVに対するLiDARに基づく認識システムの故障を特徴付ける手法を提案する。 強化学習に基づく手法を開発し,外乱のシーケンスによる対象追跡や軌道予測の失敗の可能性を見出す。 悪天候下でのLiDAR点雲をシミュレーションするための物理データ拡張手法を用いて外乱を適用した。 実世界の運転データセットから幅広い運転シナリオにおいて実験を行った結果,提案手法は,計算的に抽出可能でありながら,ベースラインに比べて入力障害が小さく,高い確率で故障することがわかった。 特定された障害はavsのためのロバストな知覚システムの将来の開発に役立ちます。

関連論文リスト

• On the Assessment of Sensitivity of Autonomous Vehicle Perception [0.13858851827255522]
  自動走行の実現性は知覚システムの性能に大きく依存する。 モデルアンサンブルに基づく予測感度定量化を用いて知覚性能を評価する。 異なる路面上の停止標識におけるAVの停止距離に基づいて知覚評価基準を開発する。
  論文  参考訳（メタデータ） (2026-01-30T21:06:05Z)
• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• ROAR: Robust Accident Recognition and Anticipation for Autonomous Driving [17.936492070548]
  既存の手法では、センサーの故障、環境障害、データ不完全性といった課題を克服し、理想的な条件を想定することが多い。 本研究は,事故検出と予測のための新しいアプローチであるROARを紹介する。 ROARは、自己適応型オブジェクト認識モジュールである離散ウェーブレット変換(DWT)と、これらの課題に取り組むための動的焦点損失を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-11-09T04:55:37Z)
• Robust ADAS: Enhancing Robustness of Machine Learning-based Advanced Driver Assistance Systems for Adverse Weather [5.383130566626935]
  本稿では,デノイングディープニューラルネットワークを前処理ステップとして,悪天候画像から晴天画像へ変換する。 ドライバーの視認性が向上し、悪天候下での安全なナビゲーションに欠かせない。
  論文  参考訳（メタデータ） (2024-07-02T18:03:52Z)
• Acceleration method for generating perception failure scenarios based on editing Markov process [0.0]
  本研究では, 地下駐車場環境に合わせて, 認識障害シナリオを高速化する手法を提案する。 この方法は、認識障害シナリオの密度の高いインテリジェントなテスト環境を生成する。 認識障害シナリオデータ内のマルコフプロセスを編集し、トレーニングデータ内の臨界情報の密度を増大させる。
  論文  参考訳（メタデータ） (2024-07-01T05:33:48Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Survey on LiDAR Perception in Adverse Weather Conditions [6.317642241067219]
  アクティブなLiDARセンサーは、シーンの正確な3D表現を作成することができる。 霧、雪、雨などの悪天候条件下でのLiDARの性能は変化する。 我々は、適切なデータの提供、生の点クラウド処理とデノイング、ロバストな認識アルゴリズム、悪天候による欠点を軽減するためのセンサ融合といったトピックに対処する。
  論文  参考訳（メタデータ） (2023-04-13T07:45:23Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• A Benchmark for Spray from Nearby Cutting Vehicles [7.767933159959353]
  本論文は噴霧による乱れの検査方法について述べる。 噴霧による乱れを評価するための評価スキームとともに、新しい軽量噴霧装置を導入している。 密閉車両の一般的なシナリオでは、歪みが最大4秒までの知覚スタックに深刻な影響を与えていることが分かる。
  論文  参考訳（メタデータ） (2021-08-24T15:40:09Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

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。