論文の概要: Planning Reliability Assurance Tests for Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2312.00186v1
- Date: Thu, 30 Nov 2023 20:48:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 16:24:15.065794
- Title: Planning Reliability Assurance Tests for Autonomous Vehicles
- Title（参考訳）: 自動運転車の信頼性保証テスト計画
- Authors: Simin Zheng and Lu Lu and Yili Hong and Jian Liu
- Abstract要約: AI技術の1つの重要な応用は、自動運転車(AV)の開発である。
保証テストの計画を立てるには、どのくらいのAVをテストする必要があるか、テストに合格する基準を定める必要がある。
本稿では,連続イベントデータに基づくAV信頼性保証試験の統計的手法を提案する。
- 参考スコア（独自算出の注目度）: 5.590179847470922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) technology has become increasingly prevalent and
transforms our everyday life. One important application of AI technology is the
development of autonomous vehicles (AV). However, the reliability of an AV
needs to be carefully demonstrated via an assurance test so that the product
can be used with confidence in the field. To plan for an assurance test, one
needs to determine how many AVs need to be tested for how many miles and the
standard for passing the test. Existing research has made great efforts in
developing reliability demonstration tests in the other fields of applications
for product development and assessment. However, statistical methods have not
been utilized in AV test planning. This paper aims to fill in this gap by
developing statistical methods for planning AV reliability assurance tests
based on recurrent events data. We explore the relationship between multiple
criteria of interest in the context of planning AV reliability assurance tests.
Specifically, we develop two test planning strategies based on homogeneous and
non-homogeneous Poisson processes while balancing multiple objectives with the
Pareto front approach. We also offer recommendations for practical use. The
disengagement events data from the California Department of Motor Vehicles AV
testing program is used to illustrate the proposed assurance test planning
methods.
- Abstract（参考訳）: 人工知能(AI)技術はますます普及し、私たちの日常生活を変える。
ai技術の重要な応用の1つは自動運転車(av)の開発である。
しかし、avの信頼性は保証テストを通じて慎重に実証され、製品が現場に自信を持って使用できるようにする必要がある。
保証テストの計画には、テストに合格するための基準とマイル数に対して、どれだけのavをテストする必要があるかを決定する必要がある。
既存の研究は、製品開発および評価のための他の分野の信頼性実証テストの開発に多大な努力をしてきた。
しかし、統計手法はAV試験計画には使われていない。
本稿では,連続イベントデータに基づくAV信頼性保証試験を計画する統計的手法を開発することにより,このギャップを埋めることを目的とする。
本稿では,av信頼性保証テスト計画の文脈における複数の関心基準の関係について検討する。
具体的には,複数の目的とparetofrontアプローチのバランスを保ちながら,均質および非均質なpoissonプロセスに基づく2つのテスト計画戦略を開発する。
私たちはまた、実用化のためのレコメンデーションも提供します。
カリフォルニア州自動車局のavテストプログラムからの離脱イベントデータは、提案された保証テスト計画方法を説明するために使用される。
関連論文リスト
- Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。
VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
論文 参考訳（メタデータ） (2024-10-02T02:20:42Z) - Active Test-Time Adaptation: Theoretical Analyses and An Algorithm [51.84691955495693]
テスト時間適応(TTA)は、教師なし設定でストリーミングテストデータの分散シフトに対処する。
完全TTA設定内に能動学習を統合する能動テスト時間適応(ATTA)の新たな問題設定を提案する。
論文 参考訳（メタデータ） (2024-04-07T22:31:34Z) - Towards Reliable AI: Adequacy Metrics for Ensuring the Quality of
System-level Testing of Autonomous Vehicles [5.634825161148484]
我々は、"Test suite Instance Space Adequacy"(TISA)メトリクスと呼ばれる一連のブラックボックステストの精度指標を紹介します。
TISAメトリクスは、テストスイートの多様性とカバレッジと、テスト中に検出されたバグの範囲の両方を評価する手段を提供する。
AVのシステムレベルのシミュレーションテストにおいて検出されたバグ数との相関を検証し,TISA測定の有効性を評価する。
論文 参考訳（メタデータ） (2023-11-14T10:16:05Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - Robust Continual Test-time Adaptation: Instance-aware BN and
Prediction-balanced Memory [58.72445309519892]
テストデータストリーム以外のデータストリームに対して堅牢な新しいテスト時間適応方式を提案する。
a)分布外サンプルの正規化を修正するIABN(Instance-Aware Batch Normalization)と、(b)クラスバランスのない方法で非i.d.ストリームからのデータストリームをシミュレートするPBRS(Predict- Balanced Reservoir Sampling)である。
論文 参考訳（メタデータ） (2022-08-10T03:05:46Z) - Disengagement Cause-and-Effect Relationships Extraction Using an NLP
Pipeline [14.708195642446716]
カリフォルニア州自動車局(CA DMV)は自動運転車テストプログラムを開始した。
このプログラムは、自律走行から自律走行(AVD)に関するレポートを収集し、リリースする。
本研究は,事前学習モデルを用いた深層移動学習の実践として成功し,統合された解離データベースを生成する。
論文 参考訳（メタデータ） (2021-11-05T14:00:59Z) - Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。
近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。
我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文 参考訳（メタデータ） (2021-04-16T17:58:56Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Reliability Analysis of Artificial Intelligence Systems Using Recurrent
Events Data from Autonomous Vehicles [2.7515565752659645]
我々は、自動運転車におけるAIシステムの信頼性の表現として、リカレントな切り離しイベントを使用している。
イベント・プロセスを記述するために,モノトニック・スプラインに基づく新しい非パラメトリック・モデルを提案する。
論文 参考訳（メタデータ） (2021-02-02T20:25:23Z) - Assessing Safety-Critical Systems from Operational Testing: A Study on
Autonomous Vehicles [3.629865579485447]
安全クリティカルシステム(SCS)の信頼性と安全性の実証は依然として難しい問題である。
我々は、信頼性を示す問題を再考するために、現在の例として自律走行車(AV)を使用します。
論文 参考訳（メタデータ） (2020-08-19T19:50:56Z) - Towards Automated Safety Coverage and Testing for Autonomous Vehicles
with Reinforcement Learning [0.3683202928838613]
検証は、システムが日々の運転で遭遇する可能性のあるシナリオや状況において、自動運転車システムをテストに投入する。
本稿では,AVソフトウェア実装における障害事例と予期せぬ交通状況を生成するために強化学習(RL)を提案する。
論文 参考訳（メタデータ） (2020-05-22T19:00:38Z)
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。