論文の概要: Metamorphic Runtime Monitoring of Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2310.07414v1
• Date: Wed, 11 Oct 2023 11:59:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 03:13:06.206834
• Title: Metamorphic Runtime Monitoring of Autonomous Driving Systems
• Title（参考訳）: 自律走行システムの変成時モニタリング
• Authors: Jon Ayerdi, Asier Iriarte, Pablo Valle, Ibai Roman, Miren Illarramendi, Aitor Arrieta
• Abstract要約: メタモーフィックリレーショナル(MR)に基づく自律運転システム(ADS)のオンラインモニタリング手法であるMarMotを提案する。 MarMotは実行時のADSの不確実性を推定し、ADSの異常な動作を引き起こす可能性のある異常な状況の特定を可能にする。 その結果、MarMotは外部異常の35%から65%、内部異常の77%から100%を識別でき、SelfOracleとEnsembleベースのADSモニタリングのアプローチよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 6.349697926319577
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous Driving Systems (ADSs) are complex Cyber-Physical Systems (CPSs) that must ensure safety even in uncertain conditions. Modern ADSs often employ Deep Neural Networks (DNNs), which may not produce correct results in every possible driving scenario. Thus, an approach to estimate the confidence of an ADS at runtime is necessary to prevent potentially dangerous situations. In this paper we propose MarMot, an online monitoring approach for ADSs based on Metamorphic Relations (MRs), which are properties of a system that hold among multiple inputs and the corresponding outputs. Using domain-specific MRs, MarMot estimates the uncertainty of the ADS at runtime, allowing the identification of anomalous situations that are likely to cause a faulty behavior of the ADS, such as driving off the road. We perform an empirical assessment of MarMot with five different MRs, using a small-scale ADS, two different circuits for training, and two additional circuits for evaluation. Our evaluation encompasses the identification of both external anomalies, e.g., fog, as well as internal anomalies, e.g., faulty DNNs due to mislabeled training data. Our results show that MarMot can identify 35\% to 65\% of the external anomalies and 77\% to 100\% of the internal anomalies, outperforming both SelfOracle and Ensemble-based ADS monitoring approaches.
• Abstract（参考訳）: 自律運転システム (Autonomous Driving Systems, ADS) は、不確実な状況下でも安全を確保しなければならない複雑なサイバー物理システム (CPS) である。 現代のADSはディープニューラルネットワーク(Deep Neural Networks, DNN)を用いることが多い。 したがって、潜在的に危険な状況を避けるためには、実行時にADSの信頼性を見積もるアプローチが必要である。 本稿では,複数の入力と対応する出力の間で保持されるシステムの特性である,メタモルフィックリレーション(mrs)に基づく広告のオンライン監視手法であるmarmotを提案する。 ドメイン固有のMRを用いて、MarMotは実行時のADSの不確実性を推定し、道路を運転するなど、ADSの異常な振る舞いを引き起こす可能性のある異常な状況を特定する。 小型のADSと2種類のトレーニング用回路,さらに2つの追加回路を用いて,5種類のMRを用いたMarMotの実証評価を行った。 本評価は,外部の異常,例えば霧,および内部異常,例えば誤ったラベル付きトレーニングデータによる欠陥dnnの同定を包含する。 その結果、MarMotは外部異常の35-65-%、内部異常の77-100-%を識別でき、SelfOracleおよびEnsembleベースのADSモニタリング手法よりも優れていることがわかった。

関連論文リスト

• Facial Action Unit Detection by Adaptively Constraining Self-Attention and Causally Deconfounding Sample [53.23474626420103]
  顔行動単位(AU)検出は、AUの微妙さ、ダイナミクス、多様性のため、依然として困難な課題である。 本稿では,自己注意重み分布を適応的に制限することで,AC2Dと呼ばれる新しいAU検出フレームワークを提案する。 提案手法は,最先端のAU検出手法と比較して,挑戦的なベンチマークによる競合性能を実現する。
  論文  参考訳（メタデータ） (2024-10-02T05:51:24Z)
• Evaluating the Robustness of LiDAR-based 3D Obstacles Detection and Its Impacts on Autonomous Driving Systems [4.530172587010801]
  我々は,LiDARセンサの組込み不正確さがLiDAR-3D障害物検出モデルに与える影響について検討した。 5つの古典的LiDAR-3D障害物検出モデルのロバスト性評価にETを適用した。 点クラウドデータの微妙な変化さえも、検出性能の非自明な低下をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-08-24T19:10:07Z)
• Characterization and Mitigation of Insufficiencies in Automated Driving Systems [0.5842419815638352]
  自動運転(AD)システムは安全性、快適性、エネルギー効率を高める可能性がある。 ADSの商業展開と広く採用は、部分的には乗客の安全を損なうシステム機能不全(FI)が道路の危険状況を引き起こしているため、穏健である。 本研究の目的は、FI緩和を改善し、ADSの商業展開を高速化するために、汎用的なアーキテクチャ設計パターンを定式化することである。
  論文  参考訳（メタデータ） (2024-04-15T08:19:13Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Boundary State Generation for Testing and Improvement of Autonomous Driving Systems [8.670873561640903]
  本稿では,自律運転システム(ADS)テストのための新しいテストジェネレータであるGENBOについて述べる。 このような境界条件を用いて、初期トレーニングデータセットを拡張し、テスト中のDNNモデルを再訓練する。 評価結果から,再学習モデルでは,元のDNNモデルに対して,異なる評価トラックに対して平均で最大3倍の成功率を示した。
  論文  参考訳（メタデータ） (2023-07-20T05:07:51Z)
• Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
  我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-21T08:45:08Z)
• DeepGuard: A Framework for Safeguarding Autonomous Driving Systems from Inconsistent Behavior [0.1529342790344802]
  ディープニューラルネットワーク(DNN)ベースの自律運転システム(ADS)は、道路事故を減らし、交通領域の安全性を向上させることが期待されている。 DNNベースのADSは、事故を引き起こす可能性のある予期せぬ運転条件のために、誤動作や予期せぬ動作を示すことがある。 本研究では,自動エンコーダと時系列解析に基づく異常検出システムを提案する。
  論文  参考訳（メタデータ） (2021-11-18T06:00:54Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Adversarial Attacks on Deep Learning Based Power Allocation in a Massive MIMO Network [62.77129284830945]
  本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。 我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-01-28T16:18:19Z)
• Hidden Incentives for Auto-Induced Distributional Shift [11.295927026302573]
  本稿では,ADS(Auto-induced Distributional shift)という用語を導入し,アルゴリズムが自身の入力の分布に変化をもたらす現象について述べる。 私たちのゴールは、機械学習システムがADSを活用しないことを保証し、実行時にパフォーマンスを向上させることです。 メタ学習の導入などの学習アルゴリズムの変更は、自動誘導分布シフト(HI-ADS)に隠れたインセンティブをもたらす可能性があることを実証する。
  論文  参考訳（メタデータ） (2020-09-19T03:31:27Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

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。