論文の概要: Automatic Generation of Scenarios for System-level Simulation-based
Verification of Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2311.09784v1
- Date: Thu, 16 Nov 2023 11:03:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 14:41:17.814420
- Title: Automatic Generation of Scenarios for System-level Simulation-based
Verification of Autonomous Driving Systems
- Title（参考訳）: システムレベルシミュレーションのためのシナリオの自動生成-自律運転システムの検証-
- Authors: Srajan Goyal (Fondazione Bruno Kessler and University of Trento),
Alberto Griggio (Fondazione Bruno Kessler), Jacob Kimblad (Fondazione Bruno
Kessler), Stefano Tonetta (Fondazione Bruno Kessler)
- Abstract要約: 本稿では,AIコンポーネントを用いた自律システムのシステムレベルのシミュレーションに基づくV&Vフレームワークについて述べる。
このフレームワークは、システムの振る舞いを象徴的に記述する抽象モデルであるシステムのシミュレーションモデルに基づいている。
シナリオの自動生成をガイドするために、さまざまなカバレッジ基準を定義することができます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With increasing complexity of Automated Driving Systems (ADS), ensuring their
safety and reliability has become a critical challenge. The Verification and
Validation (V&V) of these systems are particularly demanding when AI components
are employed to implement perception and/or control functions. In ESA-funded
project VIVAS, we developed a generic framework for system-level
simulation-based V&V of autonomous systems. The approach is based on a
simulation model of the system, an abstract model that describes symbolically
the system behavior, and formal methods to generate scenarios and verify the
simulation executions. Various coverage criteria can be defined to guide the
automated generation of the scenarios.
In this paper, we describe the instantiation of the VIVAS framework for an
ADS case study. This is based on the integration of CARLA, a widely-used
driving simulator, and its ScenarioRunner tool, which enables the creation of
diverse and complex driving scenarios. This is also used in the CARLA
Autonomous Driving Challenge to validate different ADS agents for perception
and control based on AI, shared by the CARLA community. We describe the
development of an abstract ADS model and the formulation of a coverage
criterion that focuses on the behaviors of vehicles relative to the vehicle
with ADS under verification. Leveraging the VIVAS framework, we generate and
execute various driving scenarios, thus testing the capabilities of the AI
components. The results show the effectiveness of VIVAS in automatically
generating scenarios for system-level simulation-based V&V of an automated
driving system using CARLA and ScenarioRunner. Therefore, they highlight the
potential of the approach as a powerful tool in the future of ADS V&V
methodologies.
- Abstract（参考訳）: ADS(Automated Driving Systems)の複雑さが増すにつれ、安全性と信頼性の確保が重要な課題となっている。
これらのシステムの検証と検証(V&V)は、AIコンポーネントが知覚機能や制御機能を実装する際に特に要求される。
ESAが出資するプロジェクトVIVASでは,自律システムのシステムレベルのシミュレーションに基づくV&Vのための汎用的なフレームワークを開発した。
このアプローチは、システムのシミュレーションモデル、システムの振る舞いを象徴的に記述する抽象モデル、シナリオを生成し、シミュレーションの実行を検証するフォーマルな方法に基づいている。
シナリオの自動生成を導くために、さまざまなカバレッジ基準を定義することができる。
本稿では,ADSケーススタディにおけるVIVASフレームワークのインスタンス化について述べる。
これは、広く使われている運転シミュレータCARLAと、多様な複雑な運転シナリオの作成を可能にするScenarioRunnerツールの統合に基づいている。
これはcarlaの自動運転チャレンジでも使われ、carlaコミュニティが共有するaiに基づく認識と制御のためのさまざまな広告エージェントを検証する。
本稿では,ADSモデルの構築と,ADSを検証対象とする車両に対する車両の挙動に着目したカバレッジ基準の定式化について述べる。
VIVASフレームワークを活用して、さまざまな駆動シナリオを生成し、実行することで、AIコンポーネントの機能をテストする。
CARLAとScenarioRunnerを用いた自動運転システムのシステムレベルシミュレーションに基づくV&Vのシナリオ自動生成におけるVIVASの有効性を示す。
そのため、ADS V&V方法論の将来における強力なツールとしてのアプローチの可能性を強調している。
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) - 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) - Hard Cases Detection in Motion Prediction by Vision-Language Foundation Models [16.452638202694246]
本研究は、自動運転におけるハードケースの検出におけるビジョン・ランゲージ・ファンデーション・モデル(VLM)の可能性を探るものである。
設計したプロンプトで逐次画像フレームを供給し,課題のあるエージェントやシナリオを効果的に識別する,実現可能なパイプラインを提案する。
NuScenesデータセット上で、パイプラインを最先端の手法に組み込むことの有効性と可能性を示す。
論文 参考訳（メタデータ） (2024-05-31T16:35:41Z) - AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。
さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
論文 参考訳（メタデータ） (2024-03-26T04:27:56Z) - VistaScenario: Interaction Scenario Engineering for Vehicles with Intelligent Systems for Transport Automation [18.897103921181255]
交通自動化のためのインテリジェントシステムを備えた車両のシナリオエンジニアリングを行うためのVistaScenarioフレームワークを提案する。
要約された車種間相互作用に基づいて、シナリオ進化ツリーを介してシナリオデータストリームをセグメントに分割する。
また,グラフツリーとダイナミック・タイム・ウォーピングに基づくシナリオ・メトリック・グラフ-DTWを提案し,シナリオ比較とラベル付けを行う。
論文 参考訳（メタデータ） (2024-02-12T15:34:04Z) - Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。
LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。
適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
論文 参考訳（メタデータ） (2023-11-28T03:13:09Z) - Formal Modelling and Analysis of a Self-Adaptive Robotic System [3.3798748370966427]
自己適応システムはドメインの関心事を扱う管理サブシステムと適応ロジックを実装する管理サブシステムを持つ2層システムとしてモデル化されることが多い。
より具体的には、パイプライン検査に使用される自律型水中車両(AUV)について考察する。
AUVの機能は機能モデルでモデル化され、AUVの可変性をキャプチャする。
これにより、AUVのマネージドサブシステムを、AUVの有効な機能構成に対応するシステム群としてモデル化することができる。
論文 参考訳（メタデータ） (2023-08-28T15:47:40Z) - 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) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - 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) - TS-MPC for Autonomous Vehicle using a Learning Approach [0.0]
車両力学の高木スジェノ(TS)表現をデータ駆動で学習する。
TSモデリングに対処するために、適応型ニューロファジィ推論システム(ANFIS)を用いる。
提案手法は,外部プランナのレースベース参照とMHEからの推定により提案される。
論文 参考訳（メタデータ） (2020-04-29T17:42:33Z)
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。