論文の概要: Testing predictive automated driving systems: lessons learned and future recommendations

• arxiv url: http://arxiv.org/abs/2205.10115v1
• Date: Mon, 25 Apr 2022 12:10:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-29 21:19:40.478798
• Title: Testing predictive automated driving systems: lessons learned and future recommendations
• Title（参考訳）: 予測自動走行システムのテスト : 教訓と今後の提言
• Authors: Rub\'en Izquierdo Gonzalo, Carlota Salinas Maldonado, Javier Alonso Ruiz, Ignacio Parra Alonso, David Fern\'andez Llorca and Miguel \'A. Sotelo
• Abstract要約: 本稿では,自動運転機能における予測システムの実証実験結果について報告する。 予測自動運転機能のテスト経験に基づいて、現在の物理的なテストアプローチの主な限界を特定します。
• 参考スコア（独自算出の注目度）: 0.9005172375036413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional vehicles are certified through classical approaches, where different physical certification tests are set up on test tracks to assess required safety levels. These approaches are well suited for vehicles with limited complexity and limited interactions with other entities as last-second resources. However, these approaches do not allow to evaluate safety with real behaviors for critical and edge cases, nor to evaluate the ability to anticipate them in the mid or long term. This is particularly relevant for automated and autonomous driving functions that make use of advanced predictive systems to anticipate future actions and motions to be considered in the path planning layer. In this paper, we present and analyze the results of physical tests on proving grounds of several predictive systems in automated driving functions developed within the framework of the BRAVE project. Based on our experience in testing predictive automated driving functions, we identify the main limitations of current physical testing approaches when dealing with predictive systems, analyze the main challenges ahead, and provide a set of practical actions and recommendations to consider in future physical testing procedures for automated and autonomous driving functions.
• Abstract（参考訳）: 従来の車両は、異なる物理的認証試験を試験軌道に設置して必要な安全性レベルを評価する、古典的なアプローチで認証される。 これらのアプローチは、制限された複雑さと、最終秒のリソースとして他のエンティティとの限定的な相互作用を持つ車両に適している。 しかし、これらの手法は、臨界ケースやエッジケースの実際の行動による安全性の評価や、中期または長期の予測能力の評価を許さない。 これは特に、経路計画層で考慮される将来の行動や動きを予測するために高度な予測システムを使用する自動運転機能や自律運転機能に関係している。 本稿では,BRAVEプロジェクトのフレームワーク内で開発された自動運転機能において,複数の予測システムの実証実験の結果を提示し,解析する。 予測自動運転機能のテスト経験に基づき、予測システムを扱う際の現在の物理的なテストアプローチの主な制限を特定し、今後の課題を分析し、自動運転機能や自律運転機能に対する将来の物理的なテスト手順を検討するための実践的な行動と勧告のセットを提供する。

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)
• Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
  本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。 私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
  論文  参考訳（メタデータ） (2024-07-09T04:56:11Z)
• Rigorous Simulation-based Testing for Autonomous Driving Systems -- Targeting the Achilles' Heel of Four Open Autopilots [6.229766691427486]
  本稿では,シナリオを単純なものに分割した厳密なテスト手法を提案する。 クリティカルな状況において、車両をテスト対象とするクリティカルな構成のテストケースを生成します。 テストケースでは、Apollo、Autoware、CarlaとLGSVLのオートパイロットに重大な欠陥が見られる。
  論文  参考訳（メタデータ） (2024-05-27T08:06:21Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• A Roadmap for Simulation-Based Testing of Autonomous Cyber-Physical Systems: Challenges and Future Direction [5.742965094549775]
  本稿では,自律システムのシミュレーションに基づくテストの戦略的ロードマップを開拓する。 本稿では,テスト自動化と品質保証に着目し,ACPSの課題と障害について論じる。
  論文  参考訳（メタデータ） (2024-05-02T07:42:33Z)
• Analyze Drivers' Intervention Behavior During Autonomous Driving -- A VR-incorporated Approach [2.7532019227694344]
  この研究は、自動運転車の運転に関わる人間のドライバーの介入行動を理解することに光を当てている。 仮想リアリティ(VR)と交通マイクロシミュレーションを統合する実験環境が実装された。 介入の確率、事故率などのパフォーマンス指標が定義され、リスクレベルを定量化し比較するために使用される。
  論文  参考訳（メタデータ） (2023-12-04T06:36:57Z)
• From Static Benchmarks to Adaptive Testing: Psychometrics in AI Evaluation [60.14902811624433]
  本稿では,静的評価手法から適応テストへのパラダイムシフトについて論じる。 これには、ベンチマークで各テスト項目の特性と価値を推定し、リアルタイムでアイテムを動的に調整することが含まれる。 我々は、AI評価にサイコメトリックを採用する現在のアプローチ、アドバンテージ、そして根底にある理由を分析します。
  論文  参考訳（メタデータ） (2023-06-18T09:54:33Z)
• Identifying and Explaining Safety-critical Scenarios for Autonomous Vehicles via Key Features [5.634825161148484]
  本稿では,AVの安全でない動作を明らかにする能力に影響を及ぼすテストシナリオの重要な特徴を特定するために,ISA(インスタンス空間解析)を用いる。 ISAは、安全クリティカルなシナリオと通常の運転とを最も区別する機能を特定し、2Dのテストシナリオ結果(セーフ/アンセーフ)への影響を可視化する。 特定された機能の予測能力をテストするために、5つの機械学習分類器をトレーニングし、テストシナリオを安全または安全でないものとして分類する。
  論文  参考訳（メタデータ） (2022-12-15T00:52:47Z)
• Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
  行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。 この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-11-01T11:07:37Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• Search-based Test-Case Generation by Monitoring Responsibility Safety Rules [2.1270496914042996]
  本研究では,シミュレーションに基づく運転テストデータのスクリーニングと分類を行う手法を提案する。 本フレームワークは,S-TALIROおよびSim-ATAVツールとともに配布されている。
  論文  参考訳（メタデータ） (2020-04-25T10:10:11Z)

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。