論文の概要: ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure
Events
- arxiv url: http://arxiv.org/abs/2308.14550v1
- Date: Mon, 28 Aug 2023 13:09:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 13:54:00.943826
- Title: ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure
Events
- Title（参考訳）: ReMAV: 自動車のリワードモデリングによる異常事象の発見
- Authors: Aizaz Sharif and Dusica Marijan
- Abstract要約: まず、オフライン軌道を用いたブラックボックステストフレームワークReMAVを提案し、既存の自動運転車の挙動を解析する。
35%, 23%, 48%, 50%の車両衝突, 道路物体衝突, 歩行者衝突, オフロードステアリング事故の発生率を示した。
その結果,提案手法は,テスト対象の自動運転車の既存の弱点を把握し,これらの地域への攻撃のみに活用できることが示唆された。
- 参考スコア（独自算出の注目度）: 1.84926694477846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous vehicles are advanced driving systems that are well known for
being vulnerable to various adversarial attacks, compromising the vehicle's
safety, and posing danger to other road users. Rather than actively training
complex adversaries by interacting with the environment, there is a need to
first intelligently find and reduce the search space to only those states where
autonomous vehicles are found less confident. In this paper, we propose a
blackbox testing framework ReMAV using offline trajectories first to analyze
the existing behavior of autonomous vehicles and determine appropriate
thresholds for finding the probability of failure events. Our reward modeling
technique helps in creating a behavior representation that allows us to
highlight regions of likely uncertain behavior even when the baseline
autonomous vehicle is performing well. This approach allows for more efficient
testing without the need for computational and inefficient active adversarial
learning techniques. We perform our experiments in a high-fidelity urban
driving environment using three different driving scenarios containing single
and multi-agent interactions. Our experiment shows 35%, 23%, 48%, and 50%
increase in occurrences of vehicle collision, road objects collision,
pedestrian collision, and offroad steering events respectively by the
autonomous vehicle under test, demonstrating a significant increase in failure
events. We also perform a comparative analysis with prior testing frameworks
and show that they underperform in terms of training-testing efficiency,
finding total infractions, and simulation steps to identify the first failure
compared to our approach. The results show that the proposed framework can be
used to understand existing weaknesses of the autonomous vehicles under test in
order to only attack those regions, starting with the simplistic perturbation
models.
- Abstract（参考訳）: 自動運転車は、様々な敵の攻撃に弱いこと、車両の安全性を損なうこと、他の道路利用者に危険を及ぼすことで知られる高度な運転システムである。
環境と対話することで複雑な敵を積極的に訓練する代わりに、まずは自律走行車の信頼性が低い状態のみに探索スペースをインテリジェントに見つけて削減する必要がある。
本稿では、まず、オフライン軌道を用いたブラックボックステストフレームワークReMAVを提案する。
私たちの報酬モデリング技術は、ベースラインの自律走行車がうまく機能している場合でも、おそらく不確かな行動の領域をハイライトできる行動表現の作成に役立ちます。
このアプローチは、計算と非効率な能動対向学習技術を必要とせず、より効率的なテストを可能にする。
我々は,シングルエージェントとマルチエージェントインタラクションを含む3つの異なる運転シナリオを用いて,高忠実な都市走行環境で実験を行う。
実験では,試験中の自動運転車による車両衝突,道路物体衝突,歩行者衝突,オフロードステアリングイベントの発生が,それぞれ35%,23%,48%,50%の増加を示した。
また,先行テストフレームワークとの比較分析を行い,トレーニングテスト効率,総違反の検出,シミュレーションステップにおいて,アプローチに比較して最初の障害を識別できないことを示した。
その結果,提案手法は,テスト中の自律走行車両の既存の弱点を理解するために,単純摂動モデルから始めて,これらの地域を攻撃することのみに利用できることがわかった。
関連論文リスト
- SimADFuzz: Simulation-Feedback Fuzz Testing for Autonomous Driving Systems [5.738863204900633]
SimADFuzzは、自律運転システムにおける違反を明らかにする高品質なシナリオを生成するように設計された、新しいフレームワークである。
SimADFuzzは、シナリオ選択を最適化するために、ADS違反の可能性を評価する違反予測モデルを採用している。
総合的な実験により、SimADFuzzは32以上のユニークな違反を識別することで最先端のファズーより優れていることが示された。
論文 参考訳（メタデータ） (2024-12-18T12:49:57Z) - Generating Critical Scenarios for Testing Automated Driving Systems [5.975915967339764]
AVASTRAは、自律運転システムをテストするための現実的な重要なシナリオを生成するための強化学習ベースのアプローチである。
その結果、AVASTRAは、30%から115%の衝突シナリオを発生させることで、最先端のアプローチを上回る能力を示している。
論文 参考訳（メタデータ） (2024-12-03T16:59:30Z) - A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
軌道予測は、自動運転車における計画の安全性と効率に不可欠である。
現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。
本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
論文 参考訳（メタデータ） (2024-11-29T14:47:08Z) - Foundation Models for Rapid Autonomy Validation [4.417336418010182]
重要な課題は、自動運転車が遭遇するあらゆる種類の運転シナリオでテストする必要があることだ。
本研究では,運転シナリオを再構築するための行動基礎モデル,特にマスク付きオートエンコーダ(MAE)の使用を提案する。
論文 参考訳（メタデータ） (2024-10-22T15:32:43Z) - Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。
AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文 参考訳（メタデータ） (2024-05-14T09:42:21Z) - Decision Making for Autonomous Driving in Interactive Merge Scenarios
via Learning-based Prediction [39.48631437946568]
本稿では,他のドライバの動作から不確実性が生ずる移動トラフィックにマージする複雑なタスクに焦点を当てる。
我々はこの問題を部分的に観測可能なマルコフ決定プロセス(POMDP)とみなし、モンテカルロ木探索でオンラインに解決する。
POMDPの解決策は、接近する車に道を譲る、前方の車から安全な距離を維持する、あるいは交通に合流するといった、高いレベルの運転操作を行う政策である。
論文 参考訳（メタデータ） (2023-03-29T16:12:45Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。
本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文 参考訳（メタデータ） (2021-01-18T01:43:36Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Adversarial Evaluation of Autonomous Vehicles in Lane-Change Scenarios [10.53961877853783]
対戦環境における自律走行車の評価を効率よく行うための適応評価フレームワークを提案する。
危険なシナリオのマルチモーダルな性質を考慮すると、多様性のために異なる局所最適化を表現するためにアンサンブルモデルを使用する。
その結果,テスト車両の性能は有意に低下した。
論文 参考訳（メタデータ） (2020-04-14T14:12:17Z)
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。