論文の概要: Is Scenario Generation Ready for SOTIF? A Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2308.02273v2
- Date: Tue, 8 Aug 2023 09:35:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 15:21:08.809956
- Title: Is Scenario Generation Ready for SOTIF? A Systematic Literature Review
- Title（参考訳）: シナリオ生成はSOTIFの準備が整っているか?
体系的な文献レビュー
- Authors: Lukas Birkemeyer, Christian King, Ina Schaefer
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.1491385041570146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scenario-based testing is considered state-of-the-art to verify and validate
Advanced Driver Assistance Systems or Automated Driving Systems. Due to the
official launch of the SOTIF-standard (ISO 21448), scenario-based testing
becomes more and more relevant for releasing those Highly Automated Driving
Systems. However, an essential missing detail prevent the practical application
of the SOTIF-standard: How to practically generate scenarios for scenario-based
testing? In this paper, we perform a Systematic Literature Review to identify
techniques that generate scenarios complying with requirements of the
SOTIF-standard. We classify existing scenario generation techniques and
evaluate the characteristics of generated scenarios wrt. SOTIF requirements. We
investigate which details of the real-world are covered by generated scenarios,
whether scenarios are specific for a system under test or generic, and whether
scenarios are designed to minimize the set of unknown and hazardous scenarios.
We conclude that scenarios generated with existing techniques do not comply
with requirements implied by the SOTIF-standard; hence, we propose directions
for future research.
- Abstract（参考訳）: シナリオベースのテストは、高度な運転支援システムや自動運転システムを検証するための最先端技術と考えられている。
sotif標準(iso 21448)の正式ローンチにより、シナリオベースのテストは、これらの高度に自動化された運転システムのリリースにますます重要になる。
しかし、本質的な欠落は、SOTIF標準の実践的適用を妨げる: シナリオベースのテストのシナリオを現実的に生成する方法?
本稿では,SOTIF規格の要件を満たすシナリオを生成する手法を特定するために,システム文献レビューを実施している。
既存のシナリオ生成手法を分類し,生成されたシナリオwrtの特性を評価する。
sotif要件。
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、テスト対象のシステム固有のシナリオなのか、それともジェネリックなシナリオなのか、未知のシナリオと危険なシナリオのセットを最小限に抑えるよう設計されているのかを調査した。
我々は,既存の技術で生成されたシナリオが,SOTIF規格に規定されている要件に従わないことを結論し,今後の研究の方向性を提案する。
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) - RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [69.4501863547618]
本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。
事実の正確性に着目し, 完全性, 幻覚, 不適切性の3つの新しい指標を提案する。
実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
論文 参考訳（メタデータ） (2024-08-02T13:35:11Z) - 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) - SOTIF-Compliant Scenario Generation Using Semi-Concrete Scenarios and
Parameter Sampling [6.195203785530687]
SOTIF標準は、高度な運転支援システムと自動運転システムを検証するためにシナリオベースのテストを必要とする。
既存のシナリオ生成アプローチは、シナリオ空間の探索または活用に重点を置いている。
本稿では,SOTIF準拠のテストスイートを生成するための半一致シナリオとパラメータサンプリングを提案する。
論文 参考訳（メタデータ） (2023-08-14T09:25:24Z) - 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) - A Requirements-Driven Platform for Validating Field Operations of Small
Uncrewed Aerial Vehicles [48.67061953896227]
DroneReqValidator (DRV)は、sUAS開発者が運用コンテキストを定義し、複数のsUASミッション要件を設定し、安全性特性を指定し、独自のsUASアプリケーションを高忠実な3D環境にデプロイすることを可能にする。
DRVモニタリングシステムは、sUASと環境からランタイムデータを収集し、安全特性のコンプライアンスを分析し、違反をキャプチャする。
論文 参考訳（メタデータ） (2023-07-01T02:03:49Z) - Clustering-based Criticality Analysis for Testing of Automated Driving
Systems [0.18416014644193066]
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。
論文 参考訳（メタデータ） (2023-06-22T08:36:20Z) - 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) - 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) - Addressing the IEEE AV Test Challenge with Scenic and VerifAI [10.221093591444731]
本稿では,IEEE AVテストチャレンジのシミュレーションにおいて,自律走行車(AV)のテストに対する我々の公式なアプローチを要約する。
我々は,知的サイバー物理システムのための形式駆動型シミュレーションに関するこれまでの研究を生かした,系統的なテストフレームワークを実証する。
論文 参考訳（メタデータ） (2021-08-20T04:51:27Z) - 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)
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。