論文の概要: Acquire Driving Scenarios Efficiently: A Framework for Prospective
Assessment of Cost-Optimal Scenario Acquisition
- arxiv url: http://arxiv.org/abs/2307.11647v1
- Date: Fri, 21 Jul 2023 15:26:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 16:42:25.219637
- Title: Acquire Driving Scenarios Efficiently: A Framework for Prospective
Assessment of Cost-Optimal Scenario Acquisition
- Title(参考訳): 効率的な運転シナリオの獲得:コスト最適シナリオ獲得の予測的評価のための枠組み
- Authors: Christoph Glasmacher, Michael Schuldes, Hendrik Weber, Nicolas
Wagener, Lutz Eckstein
- Abstract要約: 本稿では,シナリオ生成手法のコスト-最適利用の定量化手法を提案する。
到達可能な完全カバレッジ,品質基準,コストの予測を含むメタモデルに適合する手法を提案する。
- 参考スコア(独自算出の注目度): 0.1999925939110439
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scenario-based testing is becoming increasingly important in safety assurance
for automated driving. However, comprehensive and sufficiently complete
coverage of the scenario space requires significant effort and resources if
using only real-world data. To address this issue, driving scenario generation
methods are developed and used more frequently, but the benefit of substituting
generated data for real-world data has not yet been quantified. Additionally,
the coverage of a set of concrete scenarios within a given logical scenario
space has not been predicted yet. This paper proposes a methodology to quantify
the cost-optimal usage of scenario generation approaches to reach a certainly
complete scenario space coverage under given quality constraints and
parametrization. Therefore, individual process steps for scenario generation
and usage are investigated and evaluated using a meta model for the abstraction
of knowledge-based and data-driven methods. Furthermore, a methodology is
proposed to fit the meta model including the prediction of reachable complete
coverage, quality criteria, and costs. Finally, the paper exemplary examines
the suitability of a hybrid generation model under technical, economical, and
quality constraints in comparison to different real-world scenario mining
methods.
- Abstract(参考訳): シナリオベースのテストは、自動運転の安全性保証においてますます重要になっている。
しかしながら、シナリオ空間の包括的かつ十分に完全なカバレッジは、現実世界のデータのみを使用する場合、かなりの労力とリソースを必要とする。
この問題に対処するため,運転シナリオ生成手法が開発され,頻繁に使用されるようになったが,実世界のデータに生成データを置換するメリットはまだ定量化されていない。
さらに、与えられた論理シナリオ空間内の具体的なシナリオのカバレッジはまだ予測されていない。
本稿では,与えられた品質制約とパラメトリゼーションの下で確実に完全なシナリオ空間範囲に到達するためのシナリオ生成手法のコスト最適利用を定量化する手法を提案する。
そこで,知識ベースおよびデータ駆動手法の抽象化のためのメタモデルを用いて,シナリオ生成と利用のための個別プロセスステップを調査し,評価した。
さらに, 到達可能な完全カバレッジ, 品質基準, コストの予測を含むメタモデルに適合する手法を提案する。
最後に,実世界の異なるシナリオマイニング手法と比較して,技術的,経済的,品質的制約下でのハイブリッド生成モデルの適合性について考察する。
関連論文リスト
- 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) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳(メタデータ) (2023-05-29T17:25:26Z) - When Demonstrations Meet Generative World Models: A Maximum Likelihood
Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。
タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文 参考訳(メタデータ) (2023-02-15T04:14:20Z) - Finding Needles in Haystack: Formal Generative Models for Efficient
Massive Parallel Simulations [0.0]
著者らはベイズ最適化に基づく手法を提案し、望ましい結果をもたらすシナリオで生成モデルを効率的に学習する。
この方法論は、シナリオを記述するためにOpenSCENARIO標準を使用するエンドツーエンドフレームワークに統合されている。
論文 参考訳(メタデータ) (2023-01-03T16:55:06Z) - Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。
両手法の有効性とロバスト性を実証的に示す。
我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
論文 参考訳(メタデータ) (2022-05-12T17:03:57Z) - 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) - 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) - Application-Driven Learning: A Closed-Loop Prediction and Optimization
Approach Applied to Dynamic Reserves and Demand Forecasting [62.997667081978825]
我々は、予測と意思決定のプロセスが統合され、協調最適化される新しいクローズドループフレームワークであるアプリケーション駆動学習を提案する。
提案手法は拡張性があり,標準のオープンループ手法よりも一貫して性能が向上することを示す。
論文 参考訳(メタデータ) (2021-02-26T02:43:28Z) - Real-World Scenario Mining for the Assessment of Automated Vehicles [12.962830182937035]
2段階のアプローチで実世界のデータからシナリオをキャプチャする手法を提案する。
この手法は特定のシナリオには当てはまらないため、様々なシナリオに適用することができる。
論文 参考訳(メタデータ) (2020-05-31T10:10:39Z) - Learning to Collide: An Adaptive Safety-Critical Scenarios Generating
Method [20.280573307366627]
本稿では,タスクアルゴリズム評価のための安全クリティカルなシナリオを作成するための生成フレームワークを提案する。
提案手法は,グリッド探索や人的設計手法よりも安全クリティカルなシナリオを効率的に生成できることを実証する。
論文 参考訳(メタデータ) (2020-03-02T21:26:03Z)
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。