論文の概要: Decictor: Towards Evaluating the Robustness of Decision-Making in Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2402.18393v2
• Date: Tue, 17 Dec 2024 08:10:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:56:35.761656
• Title: Decictor: Towards Evaluating the Robustness of Decision-Making in Autonomous Driving Systems
• Title（参考訳）: 意思決定者:自律運転システムにおける意思決定のロバスト性評価に向けて
• Authors: Mingfei Cheng, Yuan Zhou, Xiaofei Xie, Junjie Wang, Guozhu Meng, Kairui Yang,
• Abstract要約: 本稿では,自律走行システムの経路計画決定(PPD)の堅牢性を評価することに焦点を当てる。 主な課題は、PDの最適性を評価するための明確なオラクルの欠如と、最適でないPDにつながるシナリオを探すのが困難であることである。 非最適決定シナリオ(NoDS)を生成するための最初の手法であるDecictorを提案する。 ADSの非最適PD検出におけるDecictorの有効性を実験的に検証した。
• 参考スコア（独自算出の注目度）: 26.235108102059378
• License:
• Abstract: Autonomous Driving System (ADS) testing is crucial in ADS development, with the current primary focus being on safety. However, the evaluation of non-safety-critical performance, particularly the ADS's ability to make optimal decisions and produce optimal paths for autonomous vehicles (AVs), is also vital to ensure the intelligence and reduce risks of AVs. Currently, there is little work dedicated to assessing the robustness of ADSs' path-planning decisions (PPDs), i.e., whether an ADS can maintain the optimal PPD after an insignificant change in the environment. The key challenges include the lack of clear oracles for assessing PPD optimality and the difficulty in searching for scenarios that lead to non-optimal PPDs. To fill this gap, in this paper, we focus on evaluating the robustness of ADSs' PPDs and propose the first method, Decictor, for generating non-optimal decision scenarios (NoDSs), where the ADS does not plan optimal paths for AVs. Decictor comprises three main components: Non-invasive Mutation, Consistency Check, and Feedback. To overcome the oracle challenge, Non-invasive Mutation is devised to implement conservative modifications, ensuring the preservation of the original optimal path in the mutated scenarios. Subsequently, the Consistency Check is applied to determine the presence of non-optimal PPDs by comparing the driving paths in the original and mutated scenarios. To deal with the challenge of large environment space, we design Feedback metrics that integrate spatial and temporal dimensions of the AV's movement. These metrics are crucial for effectively steering the generation of NoDSs. We evaluate Decictor on Baidu Apollo, an open-source and production-grade ADS. The experimental results validate the effectiveness of Decictor in detecting non-optimal PPDs of ADSs.
• Abstract（参考訳）: 自律運転システム(ADS)テストは、ADS開発において重要である。 しかし、安全でない性能の評価、特にADSが最適な判断を下し、自動運転車(AV)の最適経路を生成する能力は、AIVの知性を確保し、リスクを低減するためにも不可欠である。 現在、ADSsのパス計画決定(PPD)の堅牢性、すなわち環境の変化の後に最適なPDを維持することができるかどうかを評価するための研究はほとんどない。 主な課題は、PDの最適性を評価するための明確なオラクルの欠如と、最適でないPDにつながるシナリオを探すのが困難であることである。 このギャップを埋めるために、本稿では、ADSのPSDの堅牢性を評価することに焦点を当て、ADSがAVの最適経路を計画していない非最適決定シナリオ(NoDS)を生成するための最初の方法であるDecictorを提案する。 Decictorは、非侵襲的なミューテーション、一貫性チェック、フィードバックの3つの主要コンポーネントで構成されている。 オラクルの課題を克服するため、非侵襲突然変異は保守的な修正を実装し、変異シナリオにおける元の最適経路の維持を保証するために考案された。 次に、一貫性チェックを適用し、元のシナリオと変更シナリオの駆動経路を比較して、最適でないPDの有無を判定する。 大規模環境空間の課題に対処するため,AV運動の空間的次元と時間的次元を統合するフィードバックメトリクスを設計する。 これらのメトリクスは、NoDSの生成を効果的に管理するために重要です。 我々は、オープンソースおよびプロダクショングレードのADSであるBaidu Apollo上でDecictorを評価する。 ADSの非最適PD検出におけるDecictorの有効性を実験的に検証した。

関連論文リスト

• Uncertainty-Penalized Direct Preference Optimization [52.387088396044206]
  我々は、優先不確実性ペナル化スキームを導入し、DPOの悲観的な枠組みを開発する。 ペナル化は、不確実なサンプルの損失勾配を減衰させる損失の補正として機能する。 我々は,バニラDPOと比較して全体的な性能が向上し,高い不確実性選択/拒絶反応によるプロンプトの完成度も向上した。
  論文  参考訳（メタデータ） (2024-10-26T14:24:37Z)
• Improving Explainable Object-induced Model through Uncertainty for Automated Vehicles [13.514721609660521]
  最近の説明可能な自動車両(AV)は、動作の説明を提供しながら、固有の不確実性に関連する重要な情報を無視している。 本研究は、意思決定の場面におけるオブジェクトの役割を優先する「対象誘導型」モデルアプローチに基づく。 また、不確実性によって導かれる先進的なトレーニング戦略についても検討する。
  論文  参考訳（メタデータ） (2024-02-23T19:14:57Z)
• Safety Assessment of Vehicle Characteristics Variations in Autonomous Driving Systems [8.978712831628068]
  本稿では,車載運転システム(ADS)の安全性に影響を与える車両特性設定の最小値を求める手法を提案する。 ADSを2台採用し,運転シミュレータを2台使用した。
  論文  参考訳（メタデータ） (2023-11-24T13:13:29Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• Integrated Sensing, Computation, and Communication for UAV-assisted Federated Edge Learning [52.7230652428711]
  フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。 無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
  論文  参考訳（メタデータ） (2023-06-05T16:01:33Z)
• RISE: Robust Individualized Decision Learning with Sensitive Variables [1.5293427903448025]
  素直なベースラインは、決定規則を学習する際の繊細な変数を無視し、重大な不確実性と偏見をもたらすことである。 本稿では、オフライントレーニング中に機密変数を組み込む決定学習フレームワークを提案するが、モデル展開中に学習された決定ルールの入力には含まない。
  論文  参考訳（メタデータ） (2022-11-12T04:31:38Z)
• Uncertainty-Driven Action Quality Assessment [67.20617610820857]
  本稿では,複数の判定スコアの多様性を捉えるために,不確実性駆動型AQA (UD-AQA) という新しい確率モデルを提案する。 我々は,AQA回帰損失の再重み付けに使用される各予測の不確かさを推定する。 提案手法は,オリンピックイベントMTL-AQAとFineDivingの3つのベンチマークと,手術スキルJIGSAWSデータセットの3つのベンチマークで比較結果を得た。
  論文  参考訳（メタデータ） (2022-07-29T07:21:15Z)
• R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
  本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。 効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。 このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
  論文  参考訳（メタデータ） (2022-04-02T07:54:58Z)
• 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。