論文の概要: Clustering-based Criticality Analysis for Testing of Automated Driving Systems

• arxiv url: http://arxiv.org/abs/2306.12738v2
• Date: Mon, 24 Jul 2023 08:18:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 19:06:29.502179
• Title: Clustering-based Criticality Analysis for Testing of Automated Driving Systems
• Title（参考訳）: クラスタリングに基づく自動走行システムテストのための臨界解析
• Authors: Barbara Sch\"utt, Stefan Otten, Eric Sax
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.18416014644193066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the implementation of the new EU regulation 2022/1426 regarding the type-approval of the automated driving system (ADS) of fully automated vehicles, scenario-based testing has gained significant importance in evaluating the performance and safety of advanced driver assistance systems and automated driving systems. However, the exploration and generation of concrete scenarios from a single logical scenario can often lead to a number of similar or redundant scenarios, which may not contribute to the testing goals. This paper focuses on the the goal to reduce the scenario set by clustering concrete scenarios from a single logical scenario. By employing clustering techniques, redundant and uninteresting scenarios can be identified and eliminated, resulting in a representative scenario set. This reduction allows for a more focused and efficient testing process, enabling the allocation of resources to the most relevant and critical scenarios. Furthermore, the identified clusters can provide valuable insights into the scenario space, revealing patterns and potential problems with the system's behavior.
• Abstract（参考訳）: 完全自動走行車の自動運転システム(ADS)のタイプ承認に関する新たなEU規制2022/1426の実装により、シナリオベースのテストは、先進運転支援システムと自動運転システムの性能と安全性を評価する上で重要な意味を持つようになった。 しかし、単一の論理シナリオからの具体的なシナリオの探索と生成は、しばしば同様の、あるいは冗長なシナリオにつながり、テストの目標に寄与しない可能性がある。 本稿では,一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,シナリオセットを減らすことを目標とする。 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。 この削減により、より集中的で効率的なテストプロセスが可能になり、リソースを最も重要かつ重要なシナリオに割り当てることが可能になる。 さらに、特定されたクラスタは、シナリオ空間に対する貴重な洞察を提供し、システムの振る舞いに関するパターンや潜在的な問題を明らかにすることができる。

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)
• 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)
• 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)
• Is Scenario Generation Ready for SOTIF? A Systematic Literature Review [3.1491385041570146]
  我々は,SOTIF規格の要件に従ってシナリオを生成する手法を特定するために,体系的文献レビューを実施している。 実世界のどの詳細が生成されたシナリオでカバーされているのか、テスト中のシステムに特定のシナリオがあるのか、あるいはジェネリックなのか、未知のシナリオと有害なシナリオのセットを最小限に抑えるために設計されているのか、について検討する。
  論文  参考訳（メタデータ） (2023-08-04T11:59:21Z)
• Tree-Based Scenario Classification: A Formal Framework for Coverage Analysis on Test Drives of Autonomous Vehicles [0.0]
  シナリオベースのテストでは、関連する(運転)シナリオがテストの基礎になります。 シナリオの集合を分類し、記録されたテストドライブにおけるこれらのシナリオのカバレッジを測定するというオープンな課題に対処する。
  論文  参考訳（メタデータ） (2023-07-11T08:30:57Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• 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)
• 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)
• Finding Critical Scenarios for Automated Driving Systems: A Systematic Literature Review [20.926088145784604]
  本稿では,自律運転の文脈における系統的な文献レビューの結果について述べる。 本稿では,重要なシナリオ同定のための包括的分類法を提案する。 また、2017年から2020年までの86の論文を含む分類学に基づく最先端の研究の概要について概説する。
  論文  参考訳（メタデータ） (2021-10-16T21:24:19Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• 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。

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。