Fugu-MT 論文翻訳(概要): Safety Analysis of Autonomous Driving Systems Based on Model Learning

論文の概要: Safety Analysis of Autonomous Driving Systems Based on Model Learning

arxiv url: http://arxiv.org/abs/2211.12733v1
Date: Wed, 23 Nov 2022 06:52:40 GMT
ステータス: 処理完了
システム内更新日: 2022-11-24 15:51:03.253670
Title: Safety Analysis of Autonomous Driving Systems Based on Model Learning
Title（参考訳）: モデル学習に基づく自律走行システムの安全性解析
Authors: Renjue Li, Tianhang Qin, Pengfei Yang, Cheng-Chao Huang, Youcheng Sun and Lijun Zhang
Abstract要約: 自律運転システム(ADS)の安全性解析のための実用的検証手法を提案する。主なアイデアは、指定されたトラフィックシナリオにおけるADSの振る舞いを定量的に描写する代理モデルを構築することである。文献における最先端ADSの安全性特性を評価することによって,提案手法の有用性を実証する。
参考スコア（独自算出の注目度）: 16.38592243376647
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a practical verification method for safety analysis of the autonomous driving system (ADS). The main idea is to build a surrogate model that quantitatively depicts the behaviour of an ADS in the specified traffic scenario. The safety properties proved in the resulting surrogate model apply to the original ADS with a probabilistic guarantee. Furthermore, we explore the safe and the unsafe parameter space of the traffic scenario for driving hazards. We demonstrate the utility of the proposed approach by evaluating safety properties on the state-of-the-art ADS in literature, with a variety of simulated traffic scenarios.
Abstract（参考訳）: 本稿では,自律運転システム(ADS)の安全性解析のための実用的検証手法を提案する。主なアイデアは、指定されたトラフィックシナリオにおけるADSの振る舞いを定量的に描写する代理モデルを構築することである。結果として得られたサロゲートモデルで証明された安全性特性は、確率論的保証を持つ元のADSに適用される。さらに,運転危険時の交通シナリオの安全及び安全でないパラメータ空間について検討する。文献における最先端のADSの安全性特性を,様々なシミュレートされた交通シナリオを用いて評価することにより,提案手法の有用性を実証する。

関連論文リスト

Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
大規模言語モデル(LLM)は自動運転において有望であることを示している。本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
論文参考訳（メタデータ） (2024-11-25T16:38:17Z)
A Safe Self-evolution Algorithm for Autonomous Driving Based on Data-Driven Risk Quantification Model [14.398857940603495]
本稿では,データ駆動型リスク定量化モデルに基づく自動運転のための安全な自己進化アルゴリズムを提案する。アルゴリズムの自己進化能力に対する過保守的安全保護ポリシーの影響を回避するため, 安全限度を調整可能な安全限度付き安全進化型決定制御統合アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-08-23T02:52:35Z)
Collision Probability Distribution Estimation via Temporal Difference Learning [0.46085106405479537]
累積衝突確率分布を推定する先駆的なフレームワークであるCollisionProを紹介する。我々は、強化学習の文脈において、我々の枠組みを定式化し、安全に配慮したエージェントの道を開く。現実的な自律運転シミュレータを用いて,本フレームワークの総合的な検討を行った。
論文参考訳（メタデータ） (2024-07-29T13:32:42Z)
GOOSE: Goal-Conditioned Reinforcement Learning for Safety-Critical Scenario Generation [0.14999444543328289]
ゴール条件付きシナリオ生成(Goal-conditioned Scenario Generation、GOOSE)は、ゴール条件付き強化学習(RL)アプローチで、安全クリティカルなシナリオを自動的に生成する。安全クリティカルな事象につながるシナリオを生成する上でのGOOSEの有効性を実証する。
論文参考訳（メタデータ） (2024-06-06T08:59:08Z)
A novel framework for adaptive stress testing of autonomous vehicles in highways [3.2112502548606825]
高速道路交通のシナリオにおいて,安全上の懸念を生じさせるようなコーナーケースを探索する新しい枠組みを提案する。衝突確率推定に基づいて衝突シナリオを識別する際のASTを導出するDRLの新しい報奨関数を開発した。提案するフレームワークは,より現実的なトラフィックシナリオの作成を可能にする,新たな駆動モデルとさらに統合されている。
論文参考訳（メタデータ） (2024-02-19T04:02:40Z)
SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文参考訳（メタデータ） (2023-12-31T04:14:43Z)
Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
論文参考訳（メタデータ） (2023-11-28T03:13:09Z)
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)
A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
論文参考訳（メタデータ） (2023-08-02T09:48:08Z)
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。