Fugu-MT 論文翻訳(概要): ANTI-CARLA: An Adversarial Testing Framework for Autonomous Vehicles in CARLA

論文の概要: ANTI-CARLA: An Adversarial Testing Framework for Autonomous Vehicles in CARLA

arxiv url: http://arxiv.org/abs/2208.06309v1
Date: Tue, 19 Jul 2022 01:05:26 GMT
ステータス: 処理完了
システム内更新日: 2023-02-04 12:43:50.071310
Title: ANTI-CARLA: An Adversarial Testing Framework for Autonomous Vehicles in CARLA
Title（参考訳）: Anti-CARLA:CARLAにおける自動運転車の対向テストフレームワーク
Authors: Shreyas Ramakrishna, Baiting Luo, Christopher Kuhn, Gabor Karsai, and Abhishek Dubey
Abstract要約: オープンワールドシナリオで自律走行システムをテストするのは難しく、時間がかかるし、コストもかかる。このようなテストの重要な部分は、あるシステムの障害につながるシナリオを見つけることを目標とする、敵対的なテストである。敵の気象条件をシミュレーションするCARLAの自動テストフレームワークであるAnti-CARLAを提案する。
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: Despite recent advances in autonomous driving systems, accidents such as the fatal Uber crash in 2018 show these systems are still susceptible to edge cases. Such systems must be thoroughly tested and validated before being deployed in the real world to avoid such events. Testing in open-world scenarios can be difficult, time-consuming, and expensive. These challenges can be addressed by using driving simulators such as CARLA instead. A key part of such tests is adversarial testing, in which the goal is to find scenarios that lead to failures of the given system. While several independent efforts in testing have been made, a well-established testing framework that enables adversarial testing has yet to be made available for CARLA. We therefore propose ANTI-CARLA, an automated testing framework in CARLA for simulating adversarial weather conditions (e.g., heavy rain) and sensor faults (e.g., camera occlusion) that fail the system. The operating conditions in which a given system should be tested are specified in a scenario description language. The framework offers an efficient search mechanism that searches for adversarial operating conditions that will fail the tested system. In this way, ANTI-CARLA extends the CARLA simulator with the capability of performing adversarial testing on any given driving pipeline. We use ANTI-CARLA to test the driving pipeline trained with Learning By Cheating (LBC) approach. The simulation results demonstrate that ANTI-CARLA can effectively and automatically find a range of failure cases despite LBC reaching an accuracy of 100% in the CARLA benchmark.
Abstract（参考訳）: 最近の自動運転システムの進歩にもかかわらず、2018年のuberの死亡事故のような事故は、これらのシステムがエッジケースの影響を受けやすいことを示している。このようなシステムは、そのようなイベントを避けるために現実世界にデプロイされる前に、徹底的にテストされ、検証されなければならない。オープンワールドシナリオでのテストは難しく、時間がかかり、コストがかかります。これらの課題は、carlaのような運転シミュレータを使用することで解決できる。このようなテストの重要な部分は、あるシステムの障害につながるシナリオを見つけることを目標とする、敵対的なテストである。テストに関するいくつかの独立した取り組みがなされているが、敵対的なテストを可能にする確立されたテストフレームワークはまだcarlaで利用可能ではない。そこで本研究では,本システムで故障する気象条件(大雨など)とセンサ障害(カメラ閉塞など)をシミュレートする,carlaにおける自動テストフレームワークであるanti-carlaを提案する。所定のシステムがテストされるべき動作条件をシナリオ記述言語で指定する。このフレームワークは、テストシステムがフェールする敵の動作条件を探索する効率的な検索メカニズムを提供する。このようにして、抗CARLAはCARLAシミュレータを拡張し、任意の駆動パイプライン上で対角試験を行うことができる。我々は、LBC(Learning By Cheating)アプローチで訓練された運転パイプラインをテストするために抗CARLAを使用する。シミュレーションの結果,carlaベンチマークにおいて,lbcが100%の精度に到達したにも関わらず,抗carlaが効果的かつ自動的にさまざまな障害症例を発見できることが示されている。

関連論文リスト

From Accidents to Insights: Leveraging Multimodal Data for Scenario-Driven ADS Testing [3.984220091774453]
本稿では,シナリオベースADSテストケース生成フレームワークであるTRACEを紹介する。マルチモーダルデータを活用して、現実世界の事故報告から困難なシナリオを抽出することで、TRACEは少ないデータで多数の重要なテストケースを構築します。ユーザからのフィードバックによると、TRACEはシナリオ再構築の精度が優れており、シナリオの77.5%が"ほぼ"あるいは"完全に"一貫性がある"と評価されている。
論文参考訳（メタデータ） (2025-02-04T05:21:29Z)
An LSTM-based Test Selection Method for Self-Driving Cars [1.3450023647228841]
本研究は、自動運転車の車線維持システムにおけるテスト選択問題に対処する。角度や長さなどの道路セグメントの特徴を抽出し,シーケンスとして処理した。提案したモデルと機械学習ベースのテストセレクタを比較した。
論文参考訳（メタデータ） (2025-01-07T15:44:06Z)
AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
論文参考訳（メタデータ） (2024-11-02T13:24:30Z)
ICSFuzz: Collision Detector Bug Discovery in Autonomous Driving Simulators [11.343198884451166]
本稿では,自律走行シミュレータの信頼性向上を目的として,無視衝突シナリオを系統的に発見することを目的とする。我々は、無視された衝突シナリオを効率的に発見するためのブラックボックスファジリング手法であるICSFuzzを提案する。我々はICSFuzzを、最先端のシミュレーションベースのADSテスト手法であるDriveFuzzと比較し、その託宣を我々の無視照合対応託宣に置き換えた。
論文参考訳（メタデータ） (2024-08-11T04:48:54Z)
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)
PAFOT: A Position-Based Approach for Finding Optimal Tests of Autonomous Vehicles [4.243926243206826]
本稿では位置に基づくアプローチテストフレームワークであるPAFOTを提案する。 PAFOTは、自動走行システムの安全違反を明らかにするために、敵の運転シナリオを生成する。 PAFOTはADSをクラッシュさせる安全クリティカルなシナリオを効果的に生成し、短いシミュレーション時間で衝突を見つけることができることを示す実験である。
論文参考訳（メタデータ） (2024-05-06T10:04:40Z)
Active Test-Time Adaptation: Theoretical Analyses and An Algorithm [51.84691955495693]
テスト時間適応(TTA)は、教師なし設定でストリーミングテストデータの分散シフトに対処する。完全TTA設定内に能動学習を統合する能動テスト時間適応(ATTA)の新たな問題設定を提案する。
論文参考訳（メタデータ） (2024-04-07T22:31:34Z)
DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving [81.04174379726251]
本稿では,DriveCoTというエンド・ツー・エンドの運転データセットを総合的に収集する。センサーデータ、制御決定、および推論プロセスを示すチェーン・オブ・シークレット・ラベルが含まれている。我々は,私たちのデータセットに基づいてトレーニングされたDriveCoT-Agentと呼ばれるベースラインモデルを提案し,連鎖予測と最終決定を生成する。
論文参考訳（メタデータ） (2024-03-25T17:59:01Z)
CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文参考訳（メタデータ） (2023-10-19T02:49:31Z)
Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-28T23:00:30Z)
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)

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。