論文の概要: TARGET: Automated Scenario Generation from Traffic Rules for Testing
Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2305.06018v2
- Date: Sun, 8 Oct 2023 09:08:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 09:02:34.098274
- Title: TARGET: Automated Scenario Generation from Traffic Rules for Testing
Autonomous Vehicles
- Title（参考訳）: TARGET:自動運転車のテストのための交通ルールからシナリオの自動生成
- Authors: Yao Deng, Jiaohong Yao, Zhi Tu, Xi Zheng, Mengshi Zhang, Tianyi Zhang
- Abstract要約: TARGETは、トラフィックルールに基づくテストシナリオの自動生成用に設計されたエンドツーエンドフレームワークである。
我々は、交通ルールから知識を自動的に抽出し、交通ルール記述をDSL表現に変換するために、大きな言語モデルを活用する。
TARGETは実行可能なテストシナリオスクリプトを合成して、シミュレータでテストシナリオをレンダリングする。
- 参考スコア（独自算出の注目度）: 8.508687759145841
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensuring the safety and robustness of autonomous driving systems (ADSs) is
imperative. One of the crucial methods towards this assurance is the meticulous
construction and execution of test scenarios, a task often regarded as tedious
and laborious. In response to this challenge, this paper introduces TARGET, an
end-to-end framework designed for the automatic generation of test scenarios
grounded in established traffic rules. Specifically, we design a
domain-specific language (DSL) with concise and expressive syntax for scenario
descriptions. To handle the natural language complexity and ambiguity in
traffic rule descriptions, we leverage a large language model to automatically
extract knowledge from traffic rules and convert the traffic rule descriptions
to DSL representations. Based on these representations, TARGET synthesizes
executable test scenario scripts to render the testing scenarios in a
simulator. Comprehensive evaluations of the framework were conducted on four
distinct ADSs, yielding a total of 217 test scenarios spread across eight
diverse maps. These scenarios identify approximately 700 rule violations,
collisions, and other significant issues, including navigation failures.
Moreover, for each detected anomaly, TARGET provides detailed scenario
recordings and log reports, significantly easing the process of troubleshooting
and root cause analysis. Two of these causes have been confirmed by the ADS
developers; one is corroborated by an existing bug report from the ADS, and the
other one is attributed to the limited functionality of the ADS.
- Abstract（参考訳）: 自律運転システム(ADS)の安全性と堅牢性を確保することが不可欠である。
この保証に向けた重要な方法の1つは、細心の注意深いテストシナリオの構築と実行である。
この課題に対応して,確立した交通ルールに基づくテストシナリオの自動生成を目的としたエンドツーエンドフレームワークであるTARGETを紹介した。
具体的には、シナリオ記述のための簡潔で表現力豊かな構文を持つドメイン固有言語(DSL)を設計する。
交通ルール記述における自然言語の複雑さとあいまいさに対処するため、交通ルールから知識を自動的に抽出し、交通ルール記述をDSL表現に変換するために、大きな言語モデルを利用する。
これらの表現に基づいて、TARGETは実行可能なテストシナリオスクリプトを合成し、シミュレータでテストシナリオをレンダリングする。
フレームワークの包括的な評価は4つの異なる広告で行われ、8つの異なる地図にまたがる合計217のテストシナリオが展開された。
これらのシナリオは、約700のルール違反、衝突、その他ナビゲーション障害を含む重要な問題を特定する。
さらに、検出された各異常に対して、TARGETは詳細なシナリオ記録とログレポートを提供し、トラブルシューティングと根本原因分析のプロセスを大幅に緩和する。
これら2つの原因は、ADS開発者によって確認されている。1つは、ADSの既存のバグレポートによって裏付けられ、もう1つは、ADSの限られた機能に起因する。
関連論文リスト
- REDriver: Runtime Enforcement for Autonomous Vehicles [6.97499033700151]
本稿では,自律運転システムの実行時適用に対する汎用的かつモジュール的なアプローチであるREDriverを提案する。
ReDriverは、STLの定量的セマンティクスに基づいて、ADSの計画された軌道を監視する。
仕様に違反する可能性がある場合に、勾配駆動のアルゴリズムを使って軌道を修復する。
論文 参考訳（メタデータ） (2024-01-04T13:08:38Z) - 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) - Attacking Motion Planners Using Adversarial Perception Errors [5.423900036420565]
様々な知覚品質の指標で非常に高いスコアを得たプランナー入力を構築できるが、それでも計画上の失敗に繋がることを示す。
都市・高速道路の運転シナリオにおいて、2つの異なるブラックボックスプランナに対する攻撃を見つけることで,このアルゴリズムの有効性を実証する。
論文 参考訳（メタデータ） (2023-11-21T16:51:33Z) - 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) - Clustering-based Criticality Analysis for Testing of Automated Driving
Systems [0.18416014644193066]
本稿では,1つの論理シナリオから具体的なシナリオをクラスタリングすることで設定したシナリオを削減するという目標に焦点をあてる。
クラスタリング技術を利用することで、冗長で非関心なシナリオを識別および排除することが可能になり、典型的なシナリオセットとなる。
論文 参考訳（メタデータ） (2023-06-22T08:36:20Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - An Application of Scenario Exploration to Find New Scenarios for the
Development and Testing of Automated Driving Systems in Urban Scenarios [2.480533141352916]
この研究はベイズ最適化とガウス過程を利用して、論理的シナリオの中で関連する、興味深い、あるいは重要なパラメータ集合を見つけることを目的としている。
この研究がもたらし、さらに調査すべきアイデアの一覧が提示される。
論文 参考訳（メタデータ） (2022-05-17T09:47:32Z) - ADC: Adversarial attacks against object Detection that evade Context
consistency checks [55.8459119462263]
文脈整合性チェックさえも、適切に構築された敵の例に対して脆弱であることを示す。
このような防御を覆す実例を生成するための適応型フレームワークを提案する。
我々の結果は、コンテキストを堅牢にモデル化し、一貫性をチェックする方法はまだ未解決の問題であることを示している。
論文 参考訳（メタデータ） (2021-10-24T00:25:09Z) - 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) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - 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)
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。