論文の概要: TEASER: Simulation-based CAN Bus Regression Testing for Self-driving Cars Software

• arxiv url: http://arxiv.org/abs/2307.03279v1
• Date: Thu, 6 Jul 2023 20:30:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 18:15:27.127310
• Title: TEASER: Simulation-based CAN Bus Regression Testing for Self-driving Cars Software
• Title（参考訳）: teaser: シミュレーションに基づく自動運転車ソフトウェアのcanバス回帰テスト
• Authors: Christian Birchler, Cyrill Rohrbach, Hyeongkyun Kim, Alessio Gambi, Tianhai Liu, Jens Horneber, Timo Kehrer, Sebastiano Panichella
• Abstract要約: TEASERは、最先端の自動車シミュレーターから得られるセンサーから得られるSDCのための現実的なCAN信号を生成するツールである。 TEASERをJenkinsで構成したContinous Integration(CI)パイプラインに統合しました。 本評価では,シミュレーションに基づく欠陥を暴露するCIテストケースの生成と実行がTEASERの能力を示す。
• 参考スコア（独自算出の注目度）: 5.77326389907799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software systems for safety-critical systems like self-driving cars (SDCs) need to be tested rigorously. Especially electronic control units (ECUs) of SDCs should be tested with realistic input data. In this context, a communication protocol called Controller Area Network (CAN) is typically used to transfer sensor data to the SDC control units. A challenge for SDC maintainers and testers is the need to manually define the CAN inputs that realistically represent the state of the SDC in the real world. To address this challenge, we developed TEASER, which is a tool that generates realistic CAN signals for SDCs obtained from sensors from state-of-the-art car simulators. We evaluated TEASER based on its integration capability into a DevOps pipeline of aicas GmbH, a company in the automotive sector. Concretely, we integrated TEASER in a Continous Integration (CI) pipeline configured with Jenkins. The pipeline executes the test cases in simulation environments and sends the sensor data over the CAN bus to a physical CAN device, which is the test subject. Our evaluation shows the ability of TEASER to generate and execute CI test cases that expose simulation-based faults (using regression strategies); the tool produces CAN inputs that realistically represent the state of the SDC in the real world. This result is of critical importance for increasing automation and effectiveness of simulation-based CAN bus regression testing for SDC software. Tool: https://doi.org/10.5281/zenodo.7964890 GitHub: https://github.com/christianbirchler-org/sdc-scissor/releases/tag/v2.2.0-rc.1 Documentation: https://sdc-scissor.readthedocs.io
• Abstract（参考訳）: 自動運転車(SDC)のような安全クリティカルなシステムのためのソフトウェアシステムは厳格にテストする必要がある。 特に、SDCの電子制御ユニット(ECU)は、現実的な入力データでテストする必要がある。 この文脈では、一般的に、コントローラエリアネットワーク(CAN)と呼ばれる通信プロトコルが、センサーデータをSDC制御ユニットに転送するために使用される。 SDCメンテナとテスタにとっての課題は、現実の世界におけるSDCの状態を現実的に表現するCANインプットを手動で定義する必要があることだ。 この課題に対処するため,我々は,最先端の自動車シミュレータからセンサから取得したsdcに対して,現実的なcan信号を生成するツールであるteaserを開発した。 自動車分野の企業であるaicas GmbHのDevOpsパイプラインへの統合機能に基づいてTEASERを評価した。 具体的には、Jenkinsで構成されたContinous Integration(CI)パイプラインにTEASERを統合しました。 パイプラインは、シミュレーション環境でテストケースを実行し、CANバス上のセンサデータを、テスト対象である物理CANデバイスに送信する。 TEASERは,シミュレーションに基づく故障(回帰戦略を用いて)を公開するCIテストケースの生成と実行が可能であり,実世界におけるSDCの実態を現実的に表現するCAN入力を生成する。 この結果は,SDCソフトウェアにおけるシミュレーションベースCANバス回帰テストの自動化と有効性を高める上で重要である。 ツール: https://doi.org/10.5281/zenodo.7964890 github: https://github.com/christianbirchler-org/sdc-scissor/releases/tag/v2.2.0-rc.1 ドキュメント: https://sdc-scissor.readthedocs.io

関連論文リスト

• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• NeuroNCAP: Photorealistic Closed-loop Safety Testing for Autonomous Driving [19.709153559084093]
  自律運転ソフトウェアシステムをテストするための多用途NeRFシミュレータを提案する。 シミュレータは、実世界の駆動センサデータのシーケンスから学習する。 我々はシミュレータを用いて、Euro NCAPにインスパイアされた安全クリティカルなシナリオに対するADモデルの応答をテストする。
  論文  参考訳（メタデータ） (2024-04-11T14:03:16Z)
• SensoDat: Simulation-based Sensor Dataset of Self-driving Cars [4.135985106933988]
  SensoDatは、シミュレーションに基づく自動運転車のテストケースを32,580件実行したデータセットである。 SensoDatは81種類のシミュレーションセンサーからのデータを提供する。
  論文  参考訳（メタデータ） (2024-01-18T08:57:53Z)
• UniSim: A Neural Closed-Loop Sensor Simulator [76.79818601389992]
  センサ搭載車両によって記録された1つのログをキャプチャする、ニューラルネットワークシミュレータUniSimを提示する。 UniSimは、静的バックグラウンドと動的アクターの両方を再構築するために、ニューラルネットワーク機能グリッドを構築する。 動的オブジェクトの学習可能な事前情報を組み込んで、畳み込みネットワークを利用して未確認領域を完成させる。
  論文  参考訳（メタデータ） (2023-08-03T17:56:06Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• VISTA 2.0: An Open, Data-driven Simulator for Multimodal Sensing and Policy Learning for Autonomous Vehicles [131.2240621036954]
  VISTAはオープンソースのデータ駆動シミュレータで、複数のタイプのセンサーを自律走行車に組み込む。 高忠実で実世界のデータセットを使用して、VISTAはRGBカメラ、3D LiDAR、イベントベースのカメラを表現し、シミュレートする。 センサタイプ毎に知覚制御ポリシーをトレーニングし,テストする能力を示し,フルスケールの自律走行車への展開を通じて,このアプローチのパワーを示す。
  論文  参考訳（メタデータ） (2021-11-23T18:58:10Z)
• 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)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)
• 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)
• 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)

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。