論文の概要: Querying Labeled Time Series Data with Scenario Programs

• arxiv url: http://arxiv.org/abs/2406.17627v1
• Date: Tue, 25 Jun 2024 15:15:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-06-26 13:11:55.519938
• Title: Querying Labeled Time Series Data with Scenario Programs
• Title（参考訳）: シナリオプログラムによるラベル付き時系列データ検索
• Authors: Devan Shanker,
• Abstract要約: 本稿では,実世界のラベル付き時系列データ項目とシミュレーションシナリオとの一致を形式的に定義する。 自動運転車の領域を超えてスケーラブルなマッチングを実現するための定義とアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In order to ensure autonomous vehicles are safe for on-road deployment, simulation-based testing has become an integral complement to on-road testing. The rise in simulation testing and validation reflects a growing need to verify that AV behavior is consistent with desired outcomes even in edge case scenarios $-$ which may seldom or never appear in on-road testing data. This raises a critical question: to what extent are AV failures in simulation consistent with data collected from real-world testing? As a result of the gap between simulated and real sensor data (sim-to-real gap), failures in simulation can either be spurious (simulation- or simulator-specific issues) or relevant (safety-critical AV system issues). One possible method for validating if simulated time series failures are consistent with real world time series sensor data could involve retrieving instances of the failure scenario from a real-world time series dataset, in order to understand AV performance in these scenarios. Adopting this strategy, we propose a formal definition of what constitutes a match between a real-world labeled time series data item and a simulated scenario written from a fragment of the Scenic probabilistic programming language for simulation generation. With this definition of a match, we develop a querying algorithm that identifies the subset of a labeled time series dataset matching a given scenario. To allow this approach to be used to verify the safety of other cyber-physical systems (CPS), we present a definition and algorithm for matching scalable beyond the autonomous vehicles domain. Experiments demonstrate the precision and scalability of the algorithm for a set of challenging and uncommon time series scenarios identified from the nuScenes autonomous driving dataset. We include a full system implementation of the querying algorithm freely available for use across a wide range of CPS.
• Abstract（参考訳）: 自動運転車が道路上での展開に安全であることを保証するため、シミュレーションベースのテストは道路上でのテストに不可欠な補完となっている。 シミュレーションテストとバリデーションの上昇は、エッジケースシナリオにおいてさえ、AVの振る舞いが望ましい結果と一致していることを検証する必要性が高まっていることを反映している。 シミュレーションにおけるAV障害は、実際のテストから収集したデータとどの程度の程度で一致しているか? シミュレーションデータと実際のセンサーデータのギャップ(シミュレート・トゥ・リアル・ギャップ)の結果、シミュレーションの失敗は、刺激的(シミュレート・またはシミュレータ固有の問題)または関連する(安全クリティカルなAVシステム問題)である。 シミュレーションされた時系列障害が実世界の時系列センサデータと一致しているかどうかを検証する1つの可能な方法は、これらのシナリオにおけるAVパフォーマンスを理解するために、実世界の時系列データセットから障害シナリオのインスタンスを取得することである。 この戦略を採用することで、実世界のラベル付き時系列データ項目と、シミュレーション生成のためのSenseic Probabilistic Languageの断片から書かれたシミュレートシナリオとのマッチングを構成するものの公式な定義を提案する。 このマッチングの定義により、与えられたシナリオにマッチするラベル付き時系列データセットのサブセットを識別するクエリアルゴリズムを開発する。 このアプローチを他のサイバー物理システム(CPS)の安全性を検証するために,自律走行車領域を超えてスケーラブルにマッチングするための定義とアルゴリズムを提案する。 実験では、nuScenesの自律運転データセットから特定される困難で珍しい時系列シナリオのセットに対して、アルゴリズムの精度とスケーラビリティを実証した。 我々は、幅広いCPSで自由に利用できるクエリアルゴリズムの完全なシステム実装を含む。

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)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Adaptive Splitting of Reusable Temporal Monitors for Rare Traffic Violations [23.757535844087354]
  2つの一般的な問題は、既存の手法を使って見積もりを生成するときに生じる。 本稿では,レアイベントサンプリング手法をオンライン仕様監視アルゴリズムにインターリーブすることで,両問題に対処する。 我々はモンテカルロよりも優れた推定値を生成し、より少ないシミュレーションで重要なサンプリングを行う。
  論文  参考訳（メタデータ） (2024-03-13T17:47:39Z)
• 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)
• Querying Labelled Data with Scenario Programs for Sim-to-Real Validation [5.8720142291102135]
  AV障害シナリオは現実に意味のあるシミュレーションで特定されているか、すなわち、実際のシステムで再現可能か? シミュレーションされた障害シナリオを検証するアプローチとして、実際のデータのコーパス内のシナリオのインスタンスを特定し、障害が実際のデータに持続するかどうかをチェックする方法がある。 本稿では,SCENIC確率型プログラミング言語を用いたシナリオプログラムとして符号化された,抽象的なシナリオにマッチするラベル付きデータ項目の意味を形式的に定義する。
  論文  参考訳（メタデータ） (2021-12-01T01:04:13Z)
• 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)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• 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)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)
• 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。