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
- 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) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳(メタデータ) (2023-10-03T10:10:42Z) - Adaptive Failure Search Using Critical States from Domain Experts [9.93890332477992]
フェールサーチは、シミュレーションまたは実世界のテストにおいて、かなりの走行距離をロギングすることで行うことができる。
ASTはマルコフ決定プロセスとして失敗探索の問題を提起する手法である。
ASTフレームワークにクリティカルステートを組み込むことで,安全性違反の増大を伴う障害シナリオが生成されることを示す。
論文 参考訳(メタデータ) (2023-04-01T18:14:41Z) - A Survey on Scenario-Based Testing for Automated Driving Systems in
High-Fidelity Simulation [26.10081199009559]
道路上でシステムをテストすることは、現実世界と望ましいアプローチに最も近いが、非常にコストがかかる。
一般的な選択肢は、ADSのパフォーマンスを、よく設計されたシナリオ、すなわちシナリオベースのテストで評価することである。
高忠実度シミュレータはこの設定で、何のシナリオかをテストする際の柔軟性と利便性を最大化するために広く使われている。
論文 参考訳(メタデータ) (2021-12-02T03:41:33Z) - 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) - A Reinforcement Learning Benchmark for Autonomous Driving in
Intersection Scenarios [11.365750371241154]
本稿では,RL-CISと呼ばれる複雑な交差点シナリオにおける自律走行エージェントの訓練と試験のためのベンチマークを提案する。
テストベンチマークとベースラインは、交差点シナリオにおける自動運転のためのRLの研究のための公平で包括的なトレーニングおよびテストプラットフォームを提供する。
論文 参考訳(メタデータ) (2021-09-22T07:38:23Z) - 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) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳(メタデータ) (2020-08-13T17:20:02Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳(メタデータ) (2020-06-26T11:07:32Z) - Pass-Fail Criteria for Scenario-Based Testing of Automated Driving
Systems [0.0]
本稿では,通常運転時の自動走行システムの動作安全性を評価するための枠組みを提案する。
リスクベースのルールは、1つのテストケースからパス/フェイルを決定できない。
これは、多くの個々のテストにおける統計的パフォーマンスを考慮に入れている。
論文 参考訳(メタデータ) (2020-05-19T13:13:08Z) - 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。