論文の概要: ISS-Scenario: Scenario-based Testing in CARLA
- arxiv url: http://arxiv.org/abs/2406.15777v1
- Date: Sat, 22 Jun 2024 07:55:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-25 20:35:12.302100
- Title: ISS-Scenario: Scenario-based Testing in CARLA
- Title（参考訳）: ISS-Scenario: CARLAにおけるシナリオベースのテスト
- Authors: Renjue Li, Tianhang Qin, Cas Widdershoven,
- Abstract要約: 本稿では,シナリオベーステストのパラダイムにおける自律走行テストフレームワークであるISS-Scenarioを紹介する。
ISS-Scenarioは、バッチテスト、テストケースの探索(潜在的に危険なシナリオ)、自動運転車(AV)の性能評価のために設計されている。
ISS-Scenarioは、ランダムサンプリングと遺伝的アルゴリズムによる最適化検索という、2つのテスト手法をこのフレームワークに統合している。
- 参考スコア（独自算出の注目度）: 0.4779196219827508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapidly evolving field of autonomous driving systems (ADSs) is full of promise. However, in order to fulfil these promises, ADSs need to be safe in all circumstances. This paper introduces ISS-Scenario, an autonomous driving testing framework in the paradigm of scenario-based testing. ISS-Scenario is designed for batch testing, exploration of test cases (e.g., potentially dangerous scenarios), and performance evaluation of autonomous vehicles (AVs). ISS-Scenario includes a diverse simulation scenario library with parametrized design. Furthermore, ISS-Scenario integrates two testing methods within the framework: random sampling and optimized search by means of a genetic algorithm. Finally, ISS-Scenario provides an accident replay feature, saving a log file for each test case which allows developers to replay and dissect scenarios where the ADS showed problematic behavior.
- Abstract（参考訳）: 自律運転システム(ADS)の急速な発展は、将来性に満ちている。
しかし、これらの約束を満たすためには、ADSはあらゆる状況において安全である必要がある。
本稿では,シナリオベーステストのパラダイムにおける自律走行テストフレームワークであるISS-Scenarioを紹介する。
ISS-Scenarioは、バッチテスト、テストケース(潜在的に危険なシナリオ)の探索、自動運転車(AV)の性能評価のために設計されている。
ISS-Scenarioには、パラメタライズドデザインを備えた多様なシミュレーションシナリオライブラリが含まれている。
さらにISS-Scenarioは、ランダムサンプリングと遺伝的アルゴリズムによる最適化検索という、2つのテスト手法をこのフレームワークに統合している。
最後に、ISS-Scenarioは、アクシデントリプレイ機能を提供し、各テストケースのログファイルを保存することで、ADSが問題のある振る舞いを示したシナリオを再生および無効化することができる。
関連論文リスト
- XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
本稿では,自律走行シミュレーションに特化して設計された新しい駆動ビュー合成データセットとベンチマークを提案する。
データセットには、トレーニング軌跡から1-4mずれて取得した画像のテストが含まれているため、ユニークなものだ。
我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
論文 参考訳（メタデータ） (2024-06-26T14:00:21Z) - 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) - 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) - Tree-Based Scenario Classification: A Formal Framework for Coverage
Analysis on Test Drives of Autonomous Vehicles [0.0]
シナリオベースのテストでは、関連する(運転)シナリオがテストの基礎になります。
シナリオの集合を分類し、記録されたテストドライブにおけるこれらのシナリオのカバレッジを測定するというオープンな課題に対処する。
論文 参考訳（メタデータ） (2023-07-11T08:30:57Z) - A Requirements-Driven Platform for Validating Field Operations of Small
Uncrewed Aerial Vehicles [48.67061953896227]
DroneReqValidator (DRV)は、sUAS開発者が運用コンテキストを定義し、複数のsUASミッション要件を設定し、安全性特性を指定し、独自のsUASアプリケーションを高忠実な3D環境にデプロイすることを可能にする。
DRVモニタリングシステムは、sUASと環境からランタイムデータを収集し、安全特性のコンプライアンスを分析し、違反をキャプチャする。
論文 参考訳（メタデータ） (2023-07-01T02:03:49Z) - An Application of Scenario Exploration to Find New Scenarios for the
Development and Testing of Automated Driving Systems in Urban Scenarios [2.480533141352916]
この研究はベイズ最適化とガウス過程を利用して、論理的シナリオの中で関連する、興味深い、あるいは重要なパラメータ集合を見つけることを目的としている。
この研究がもたらし、さらに調査すべきアイデアの一覧が提示される。
論文 参考訳（メタデータ） (2022-05-17T09:47:32Z) - ViSTA: a Framework for Virtual Scenario-based Testing of Autonomous
Vehicles [2.20200533591633]
仮想シナリオに基づく自律走行車テスト(AV)のためのフレームワークViSTAについて紹介する。
本稿では,有意なパラメータを持つ特殊目的シナリオの設計を容易にする包括的テストケース生成手法について述べる。
テストケースの実行を自動化し、これらのテストケース下でのAVの性能を分析する方法について述べる。
論文 参考訳（メタデータ） (2021-09-06T15:12:17Z) - Addressing the IEEE AV Test Challenge with Scenic and VerifAI [10.221093591444731]
本稿では,IEEE AVテストチャレンジのシミュレーションにおいて,自律走行車(AV)のテストに対する我々の公式なアプローチを要約する。
我々は,知的サイバー物理システムのための形式駆動型シミュレーションに関するこれまでの研究を生かした,系統的なテストフレームワークを実証する。
論文 参考訳（メタデータ） (2021-08-20T04:51:27Z) - 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) - AdvSim: Generating Safety-Critical Scenarios for Self-Driving Vehicles [76.46575807165729]
我々は,任意のLiDARベースの自律システムに対して,安全クリティカルなシナリオを生成するための,敵対的フレームワークであるAdvSimを提案する。
センサデータから直接シミュレートすることにより、完全な自律スタックに対して安全クリティカルな敵シナリオを得る。
論文 参考訳（メタデータ） (2021-01-16T23:23:12Z) - Rearrangement: A Challenge for Embodied AI [229.8891614821016]
Embodied AIの研究と評価のためのフレームワークについて述べる。
我々の提案は正統的な課題である再配置に基づいている。
4つの異なるシミュレーション環境における再配置シナリオの実験的なテストベッドについて述べる。
論文 参考訳（メタデータ） (2020-11-03T19:42:32Z)
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。