論文の概要: ICSFuzz: Collision Detector Bug Discovery in Autonomous Driving Simulators
- arxiv url: http://arxiv.org/abs/2408.05694v1
- Date: Sun, 11 Aug 2024 04:48:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 15:57:52.039972
- Title: ICSFuzz: Collision Detector Bug Discovery in Autonomous Driving Simulators
- Title（参考訳）: ICSFuzz:自動運転シミュレータの衝突検出バグ発見
- Authors: Weiwei Fu, Heqing Huang, Yifan Zhang, Ke Zhang, Jin Huang, Wei-Bin Lee, Jianping Wang,
- Abstract要約: 本稿では,自律走行シミュレータの信頼性向上を目的として,無視衝突シナリオを系統的に発見することを目的とする。
我々は、無視された衝突シナリオを効率的に発見するためのブラックボックスファジリング手法であるICSFuzzを提案する。
我々はICSFuzzを、最先端のシミュレーションベースのADSテスト手法であるDriveFuzzと比較し、その託宣を我々の無視照合対応託宣に置き換えた。
- 参考スコア（独自算出の注目度）: 11.343198884451166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increasing adoption of autonomous vehicles, ensuring the reliability of autonomous driving systems (ADSs) deployed on autonomous vehicles has become a significant concern. Driving simulators have emerged as crucial platforms for testing autonomous driving systems, offering realistic, dynamic, and configurable environments. However, existing simulation-based ADS testers have largely overlooked the reliability of the simulators, potentially leading to overlooked violation scenarios and subsequent safety security risks during real-world deployment. In our investigations, we identified that collision detectors in simulators could fail to detect and report collisions in certain collision scenarios, referred to as ignored collision scenarios. This paper aims to systematically discover ignored collision scenarios to improve the reliability of autonomous driving simulators. To this end, we present ICSFuzz, a black-box fuzzing approach to discover ignored collision scenarios efficiently. Drawing upon the fact that the ignored collision scenarios are a sub-type of collision scenarios, our approach starts with the determined collision scenarios. Following the guidance provided by empirically studied factors contributing to collisions, we selectively mutate arbitrary collision scenarios in a step-wise manner toward the ignored collision scenarios and effectively discover them. We compare ICSFuzz with DriveFuzz, a state-of-the-art simulation-based ADS testing method, by replacing its oracle with our ignored-collision-aware oracle. The evaluation demonstrates that ICSFuzz outperforms DriveFuzz by finding 10-20x more ignored collision scenarios with a 20-70x speedup. All the discovered ignored collisions have been confirmed by developers with one CVE ID assigned.
- Abstract（参考訳）: 自動運転車の普及が進み、自動運転車に搭載される自律運転システム(ADS)の信頼性を確保することが大きな関心事となっている。
自動運転シミュレーターは、現実的でダイナミックで設定可能な環境を提供する自動運転システムをテストするための重要なプラットフォームとして登場した。
しかしながら、既存のシミュレーションベースのADSテスタは、シミュレータの信頼性を概ね見落としているため、現実のデプロイメント中に見落とされた違反シナリオやその後の安全上のリスクにつながる可能性がある。
本研究では, シミュレータにおける衝突検出装置が, 無視衝突シナリオと呼ばれる特定の衝突シナリオにおける衝突の検出および報告に失敗する可能性があることを確認した。
本稿では,自律走行シミュレータの信頼性向上を目的として,無視衝突シナリオを系統的に発見することを目的とする。
そこで我々は,無視される衝突シナリオを効率的に発見するためのブラックボックスファジィ手法であるICSFuzzを提案する。
無視される衝突シナリオは、衝突シナリオのサブタイプであるという事実に基づいて、我々のアプローチは、決定された衝突シナリオから始まる。
衝突に寄与する要因を実証的に研究し, 無視された衝突シナリオに対して段階的に任意の衝突シナリオを選択的に変更し, 効果的に発見する。
我々はICSFuzzを、最先端のシミュレーションベースのADSテスト手法であるDriveFuzzと比較し、その託宣を我々の無視照合対応託宣に置き換えた。
ICSFuzzは、20-70倍のスピードアップで10-20倍の衝突シナリオを無視することで、DriveFuzzよりも優れていることを示す。
発見された無視された衝突はすべて、CVE IDが1つ割り当てられた開発者によって確認されている。
関連論文リスト
- Foundation Models for Rapid Autonomy Validation [4.417336418010182]
重要な課題は、自動運転車が遭遇するあらゆる種類の運転シナリオでテストする必要があることだ。
本研究では,運転シナリオを再構築するための行動基礎モデル,特にマスク付きオートエンコーダ(MAE)の使用を提案する。
論文 参考訳（メタデータ） (2024-10-22T15:32:43Z) - ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。
この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。
提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
論文 参考訳（メタデータ） (2024-09-12T08:26:33Z) - PAFOT: A Position-Based Approach for Finding Optimal Tests of Autonomous Vehicles [4.243926243206826]
本稿では位置に基づくアプローチテストフレームワークであるPAFOTを提案する。
PAFOTは、自動走行システムの安全違反を明らかにするために、敵の運転シナリオを生成する。
PAFOTはADSをクラッシュさせる安全クリティカルなシナリオを効果的に生成し、短いシミュレーション時間で衝突を見つけることができることを示す実験である。
論文 参考訳（メタデータ） (2024-05-06T10:04:40Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure
Events [1.84926694477846]
本稿では、まず、オフライン軌道を用いて、既存の自動運転車の挙動を分析するブラックボックステストフレームワークを提案する。
実験の結果,車両衝突,道路物体衝突,歩行者衝突,オフロードステアリング事故の発生率は35,23,48,50%増加した。
論文 参考訳（メタデータ） (2023-08-28T13:09:00Z) - UniSim: A Neural Closed-Loop Sensor Simulator [76.79818601389992]
センサ搭載車両によって記録された1つのログをキャプチャする、ニューラルネットワークシミュレータUniSimを提示する。
UniSimは、静的バックグラウンドと動的アクターの両方を再構築するために、ニューラルネットワーク機能グリッドを構築する。
動的オブジェクトの学習可能な事前情報を組み込んで、畳み込みネットワークを利用して未確認領域を完成させる。
論文 参考訳（メタデータ） (2023-08-03T17:56:06Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - An NCAP-like Safety Indicator for Self-Driving Cars [2.741266294612776]
本稿では,自動運転車の安全性を評価するメカニズムを提案する。
車両が敵と衝突することを避けるシナリオにおいて、車両の安全性を評価する。
セーフカミカゼ距離(Safe-Kamikaze Distance)と呼ばれる安全対策は、安全な敵の軌道と安全な軌道に近いカミカゼ軌道との平均的な類似性を計算する。
論文 参考訳（メタデータ） (2021-04-02T02:39:53Z) - 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) - Discovering Avoidable Planner Failures of Autonomous Vehicles using
Counterfactual Analysis in Behaviorally Diverse Simulation [16.86782673205523]
本稿では,行動学的に多様な交通参加者をシミュレートする上で,近年の進歩を生かしたプランナーテストフレームワークを提案する。
提案手法は,多岐にわたる重要な計画立案者の失敗を見出すことができることを示す。
論文 参考訳（メタデータ） (2020-11-24T09:44:23Z)
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。