論文の概要: Two is Better Than One: Digital Siblings to Improve Autonomous Driving Testing

• arxiv url: http://arxiv.org/abs/2305.08060v1
• Date: Sun, 14 May 2023 04:10:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 17:52:35.159638
• Title: Two is Better Than One: Digital Siblings to Improve Autonomous Driving Testing
• Title（参考訳）: デジタルの兄弟姉妹が自動運転テストを改善する
• Authors: Matteo Biagiola, Andrea Stocco, Vincenzo Riccio, Paolo Tonella
• Abstract要約: 複数の汎用シミュレータ上でAVを試験する新しいフレームワークであるデジタルシブリングの概念を導入する。 本研究は,デジタル双子の故障予測において,デジタル兄弟によるアンサンブル故障予測器が個々のシミュレータよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 6.509265251405066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based testing represents an important step to ensure the reliability of autonomous driving software. In practice, when companies rely on third-party general-purpose simulators, either for in-house or outsourced testing, the generalizability of testing results to real autonomous vehicles is at stake. In this paper, we strengthen simulation-based testing by introducing the notion of digital siblings, a novel framework in which the AV is tested on multiple general-purpose simulators, built with different technologies. First, test cases are automatically generated for each individual simulator. Then, tests are migrated between simulators, using feature maps to characterize of the exercised driving conditions. Finally, the joint predicted failure probability is computed and a failure is reported only in cases of agreement among the siblings. We implemented our framework using two open-source simulators and we empirically compared it against a digital twin of a physical scaled autonomous vehicle on a large set of test cases. Our study shows that the ensemble failure predictor by the digital siblings is superior to each individual simulator at predicting the failures of the digital twin. We discuss several ways in which our framework can help researchers interested in automated testing of autonomous driving software.
• Abstract（参考訳）: シミュレーションベースのテストは、自動運転ソフトウェアの信頼性を確保するための重要なステップである。 実のところ、企業が社内またはアウトソーステストのためにサードパーティの汎用シミュレータに依存している場合、実際の自動運転車に対するテスト結果の一般化が危ぶまれる。 本稿では,様々な技術を用いた多目的シミュレータ上でavをテストするための新しい枠組みであるディジタル兄弟の概念を導入することで,シミュレーションに基づくテストを強化する。 まず、個々のシミュレータごとにテストケースを自動的に生成する。 次に、テストはシミュレータ間で移動され、特徴マップを使用して運動された運転条件を特徴づける。 そして、ジョイント予測故障確率を算出し、兄弟間の合意の場合にのみ、故障を報告させる。 このフレームワークを2つのオープンソースのシミュレータを用いて実装し,大規模なテストケースで実物大の自律走行車のデジタル双生児と比較した。 本研究は,デジタル双子の故障予測において,デジタル兄弟によるアンサンブル故障予測器が個々のシミュレータよりも優れていることを示す。 我々は,自動運転ソフトウェアの自動テストに関心を持つ研究者に,我々のフレームワークが役立ついくつかの方法について論じる。

関連論文リスト

• Correlation of Software-in-the-Loop Simulation with Physical Testing for Autonomous Driving [0.0]
  本稿では,社内で開発されたSILシミュレーションツールチェーンの検証事例について述べる。 テストトラックをSILシミュレーションと整合させるため,同期手法を提案する。 提案手法の有効性を示すための予備的な結果を示す。
  論文  参考訳（メタデータ） (2024-06-05T08:11:10Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
  TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。 インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。 これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
  論文  参考訳（メタデータ） (2022-02-08T11:55:05Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• SilGAN: Generating driving maneuvers for scenario-based software-in-the-loop testing [0.0]
  SilGANは、自動車用ソフトウェア・イン・ザ・ループテストの仕様、刺激発生、自動化を容易にする、深い生成モデルである。 モデルはフィールド内の車両から記録されたデータを使って訓練される。
  論文  参考訳（メタデータ） (2021-07-05T07:17:49Z)
• 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)
• Digital Twins Are Not Monozygotic -- Cross-Replicating ADAS Testing in Two Industry-Grade Automotive Simulators [13.386879259549305]
  SBSTは2つのシミュレータで重要なテストシナリオを効率的かつ効率的に生成できることを示した。 2つのシミュレータで同じテストシナリオを実行すると、テスト出力の詳細に顕著な違いが生じることが分かりました。
  論文  参考訳（メタデータ） (2020-12-12T14:00:33Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• 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)
• Towards Automated Safety Coverage and Testing for Autonomous Vehicles with Reinforcement Learning [0.3683202928838613]
  検証は、システムが日々の運転で遭遇する可能性のあるシナリオや状況において、自動運転車システムをテストに投入する。 本稿では,AVソフトウェア実装における障害事例と予期せぬ交通状況を生成するために強化学習(RL)を提案する。
  論文  参考訳（メタデータ） (2020-05-22T19:00:38Z)
• Formal Scenario-Based Testing of Autonomous Vehicles: From Simulation to the Real World [8.498542964344987]
  自動運転車の安全性のシナリオベース自動テストに対する新しいアプローチを提案する。 提案手法は,シナリオの形式的仕様と安全性特性を組み合わせた形式的手法に基づいている。
  論文  参考訳（メタデータ） (2020-03-17T14:17:52Z)

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。