論文の概要: Realistic Safety-critical Scenarios Search for Autonomous Driving System
via Behavior Tree
- arxiv url: http://arxiv.org/abs/2305.06603v1
- Date: Thu, 11 May 2023 06:53:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 09:03:56.688818
- Title: Realistic Safety-critical Scenarios Search for Autonomous Driving System
via Behavior Tree
- Title(参考訳): 行動木を用いた自律走行システムの現実的安全クリティカルシナリオ探索
- Authors: Ping Zhang, Lingfeng Ming, Tingyi Yuan, Cong Qiu, Yang Li, Xinhua Hui,
Zhiquan Zhang, Chao Huang
- Abstract要約: 本研究では,行動木に基づくテストフレームワークであるMatrix-Fuzzerを提案し,現実的な安全クリティカルなテストシナリオを自動的に生成する。
提案手法では, 安全クリティカルシナリオのタイプが最も多いが, ベースラインアルゴリズムと比較して, 全体の30%程度しか生成できない。
- 参考スコア(独自算出の注目度): 8.286351881735191
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The simulation-based testing of Autonomous Driving Systems (ADSs) has gained
significant attention. However, current approaches often fall short of
accurately assessing ADSs for two reasons: over-reliance on expert knowledge
and the utilization of simplistic evaluation metrics. That leads to
discrepancies between simulated scenarios and naturalistic driving
environments. To address this, we propose the Matrix-Fuzzer, a behavior
tree-based testing framework, to automatically generate realistic
safety-critical test scenarios. Our approach involves the $log2BT$ method,
which abstracts logged road-users' trajectories to behavior sequences.
Furthermore, we vary the properties of behaviors from real-world driving
distributions and then use an adaptive algorithm to explore the input space.
Meanwhile, we design a general evaluation engine that guides the algorithm
toward critical areas, thus reducing the generation of invalid scenarios. Our
approach is demonstrated in our Matrix Simulator. The experimental results show
that: (1) Our $log2BT$ achieves satisfactory trajectory reconstructions. (2)
Our approach is able to find the most types of safety-critical scenarios, but
only generating around 30% of the total scenarios compared with the baseline
algorithm. Specifically, it improves the ratio of the critical violations to
total scenarios and the ratio of the types to total scenarios by at least 10x
and 5x, respectively, while reducing the ratio of the invalid scenarios to
total scenarios by at least 58% in two case studies.
- Abstract(参考訳): シミュレーションに基づく自律運転システム(ADS)の試験は注目されている。
しかし、現在のアプローチでは、専門家の知識への過度な依存と単純な評価指標の利用という2つの理由から、広告を正確に評価することができないことが多い。
これにより、シミュレートされたシナリオと自然主義的な運転環境の食い違いが生じる。
そこで我々は,行動木に基づくテストフレームワークであるMatrix-Fuzzerを提案し,現実的な安全クリティカルなテストシナリオを自動的に生成する。
提案手法は,道路利用者の軌跡を行動シーケンスに抽象化した $log2bt$ メソッドを用いる。
さらに,実世界の運転分布から行動特性を変化させ,適応アルゴリズムを用いて入力空間を探索する。
一方,我々は,アルゴリズムを臨界領域へ誘導する汎用評価エンジンを設計し,無効なシナリオの生成を減らす。
我々のアプローチはマトリックスシミュレーターで実証されている。
実験の結果,(1)log2BT$は良好な軌道再構成を達成できた。
2) 提案手法では, 安全クリティカルシナリオのタイプが最も多いが, ベースラインアルゴリズムと比較して, 全体の30%程度しか生成できない。
具体的には、2つのケーススタディにおいて、合計シナリオに対する重大な違反の割合と、合計シナリオに対するタイプの割合を少なくとも10倍と5倍に向上させ、無効シナリオと合計シナリオの比率を少なくとも58%減少させる。
関連論文リスト
- Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Value-Consistent Representation Learning for Data-Efficient
Reinforcement Learning [105.70602423944148]
本稿では,意思決定に直接関連のある表現を学習するための,VCR(Value-Consistent Expression Learning)という新しい手法を提案する。
この想像された状態と環境によって返される実状態とを一致させる代わりに、VCRは両方の状態に$Q$-valueヘッドを適用し、2つのアクション値の分布を得る。
検索不要なRLアルゴリズムに対して,提案手法が新たな最先端性能を実現することが実証された。
論文 参考訳(メタデータ) (2022-06-25T03:02:25Z) - 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) - Toward Unsupervised Test Scenario Extraction for Automated Driving
Systems from Urban Naturalistic Road Traffic Data [0.0]
提案手法は、道路交通データからシナリオを抽出するための教師なし機械学習パイプラインをデプロイする。
InDおよびSilicon Valley Intersectionsデータセットから都市交差点の自然道路交通データを評価する。
階層的クラスタリングを用いて,4から5クラスタに移行すると,全体の精度が約20%向上し,41クラスタから全体の精度が84%の飽和効果が得られた。
論文 参考訳(メタデータ) (2022-02-14T10:55:14Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳(メタデータ) (2021-12-09T18:03:27Z) - Motion Planning for Autonomous Vehicles in the Presence of Uncertainty
Using Reinforcement Learning [0.0]
不確実性の下での運動計画は、自動運転車の開発における主要な課題の1つである。
最悪の事例を最適化して不確実性を管理するための強化学習に基づくソリューションを提案する。
提案手法は従来のRLアルゴリズムよりもはるかに優れた動作計画行動を示し,人間の運転スタイルと相容れない動作を示す。
論文 参考訳(メタデータ) (2021-10-01T20:32:25Z) - 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) - 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) - Scalable Autonomous Vehicle Safety Validation through Dynamic
Programming and Scene Decomposition [37.61747231296097]
本稿では、近似動的プログラミングを用いて、自律的なポリシの障害に対する分布を推定する新しい安全性検証手法を提案する。
両実験とも, ベースラインアプローチと比較して, 故障数の増加が見られた。
論文 参考訳(メタデータ) (2020-04-14T21:03:50Z)
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。