論文の概要: Towards Automated Driving Violation Cause Analysis in Scenario-Based
Testing for Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2401.10443v1
- Date: Fri, 19 Jan 2024 01:12:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 17:06:07.594748
- Title: Towards Automated Driving Violation Cause Analysis in Scenario-Based
Testing for Autonomous Driving Systems
- Title(参考訳): シナリオベース自動運転システムテストにおける自動運転違反原因分析に向けて
- Authors: Ziwen Wan, Yuqi Huai, Yuntianyi Chen, Joshua Garcia, Qi Alfred Chen
- Abstract要約: 本稿では,運転違反原因分析(DVCA)ツールを提案する。
本ツールでは, 完全コンポーネントレベルの属性精度(100%), ほぼ完全なメッセージレベルの精度(>98%)を実現する。
- 参考スコア(独自算出の注目度): 22.872694649245044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid advancement of Autonomous Vehicles (AVs), exemplified by companies
like Waymo and Cruise offering 24/7 paid taxi services, highlights the
paramount importance of ensuring AVs' compliance with various policies, such as
safety regulations, traffic rules, and mission directives. Despite significant
progress in the development of Autonomous Driving System (ADS) testing tools,
there has been a notable absence of research on attributing the causes of
driving violations. Counterfactual causality analysis has emerged as a
promising approach for identifying the root cause of program failures. While it
has demonstrated effectiveness in pinpointing error-inducing inputs, its direct
application to the AV context to determine which computation result, generated
by which component, serves as the root cause poses a considerable challenge. A
key obstacle lies in our inability to straightforwardly eliminate the influence
of a specific internal message to establish the causal relationship between the
output of each component and a system-level driving violation.
In this work, we propose a novel driving violation cause analysis (DVCA)
tool. We design idealized component substitutes to enable counterfactual
analysis of ADS components by leveraging the unique opportunity provided by the
simulation. We evaluate our tool on a benchmark with real bugs and injected
faults. The results show that our tool can achieve perfect component-level
attribution accuracy (100%) and almost (>98%) perfect message-level accuracy.
Our tool can reduce the debugging scope from hundreds of complicated
interdependent messages to one single computation result generated by one
component.
- Abstract(参考訳): WaymoやCruiseが24/7の有料タクシーサービスを提供していることを実証した自動運転車(AV)の急速な進歩は、安全規制や交通規則、ミッションディレクティブといった様々なポリシーへのAVのコンプライアンスを確保することの重要性を強調している。
ADS(Autonomous Driving System)テストツールの開発には大きな進展があったが、運転違反の原因となる研究は注目されていない。
プログラム失敗の根本原因を特定するための有望なアプローチとして、因果解析が出現している。
誤り誘発入力のピンポインティングの有効性は証明されているが、AVコンテキストへの直接適用により、どのコンポーネントによって生成される計算結果が根本原因となるかが決定される。
重要な障害は、各コンポーネントの出力とシステムレベルの運転違反の間の因果関係を確立するために、特定の内部メッセージの影響を直接的に排除できないことです。
本研究では,運転違反原因分析(DVCA)ツールを提案する。
シミュレーションによって得られるユニークな機会を活用することにより,ADSコンポーネントの対実解析を可能にするために,理想化されたコンポーネント置換体を設計する。
実際のバグやインジェクト障害のあるベンチマークでツールを評価しました。
その結果, 完全成分レベルの属性精度 (100%) とほぼ完全 (>98%) のメッセージレベルの精度を実現することができた。
このツールは、数百の複雑な相互依存メッセージから1つのコンポーネントによって生成される単一の計算結果まで、デバッグのスコープを縮小できる。
関連論文リスト
- Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。
私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文 参考訳(メタデータ) (2024-07-09T04:56:11Z) - Exploring the Determinants of Pedestrian Crash Severity Using an AutoML Approach [0.0]
この研究は、さまざまな説明変数がクラッシュ結果に与える影響を評価するためにAutoMLを使用している。
この研究は、予測モデルにおける個々の特徴の寄与を解釈するために、SHAP(SHapley Additive exPlanations)を組み込んだ。
論文 参考訳(メタデータ) (2024-06-07T22:02:36Z) - ACAV: A Framework for Automatic Causality Analysis in Autonomous Vehicle
Accident Recordings [5.578446693797519]
近年の死者は、大規模な検査による安全性検証の重要性を強調している。
本稿では,AV事故記録の因果解析を行うための自動フレームワークACAVを提案する。
我々はアポロADSでACAVを評価し、110件の事故記録の93.64%で5種類の因果事象を特定できることを発見した。
論文 参考訳(メタデータ) (2024-01-13T12:41:05Z) - REDriver: Runtime Enforcement for Autonomous Vehicles [6.97499033700151]
本稿では,自律運転システムの実行時適用に対する汎用的かつモジュール的なアプローチであるREDriverを提案する。
ReDriverは、STLの定量的セマンティクスに基づいて、ADSの計画された軌道を監視する。
仕様に違反する可能性がある場合に、勾配駆動のアルゴリズムを使って軌道を修復する。
論文 参考訳(メタデータ) (2024-01-04T13:08:38Z) - DRUformer: Enhancing the driving scene Important object detection with
driving relationship self-understanding [50.81809690183755]
交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。
従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。
本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
論文 参考訳(メタデータ) (2023-11-11T07:26:47Z) - 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) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳(メタデータ) (2023-03-27T15:07:55Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳(メタデータ) (2022-04-28T07:37:21Z) - End-to-end Uncertainty-based Mitigation of Adversarial Attacks to
Automated Lane Centering [12.11406399284803]
我々は,認識,計画,制御モジュール全体にわたる敵の攻撃の影響に対処するエンドツーエンドアプローチを提案する。
われわれのアプローチは、敵攻撃の影響を効果的に軽減し、元のOpenPilotよりも55%から90%改善できる。
論文 参考訳(メタデータ) (2021-02-27T22:36:32Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-26T02:08:07Z)
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。