論文の概要: Perception-Guided Fuzzing for Simulated Scenario-Based Testing of Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2408.13686v1
- Date: Sat, 24 Aug 2024 22:58:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 18:19:53.061315
- Title: Perception-Guided Fuzzing for Simulated Scenario-Based Testing of Autonomous Driving Systems
- Title（参考訳）: シナリオに基づく自律走行システムの模擬試験のための知覚誘導ファズリング
- Authors: Tri Minh Triet Pham, Bo Yang, Jinqiu Yang,
- Abstract要約: マルチモジュール自律運転システム(ADS)におけるシステムレベルのテストを行うSimsVを提案する。
SimsVは、ADSの知覚障害をターゲットとし、システム全体に対する知覚障害の影響をさらに評価する。
我々は,オープンソースの運転プラットフォームシミュレータを用いて,商用グレードのレベル4 ADS(Apollo)をテストするためのプロトタイプSimsVを実装した。
- 参考スコア（独自算出の注目度）: 4.530172587010801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous Driving Systems (ADS) have made huge progress and started on-road testing or even commercializing trials. ADS are complex and difficult to test: they receive input data from multiple sensors and make decisions using a combination of multiple deep neural network models and code logic. The safety of ADS is of utmost importance as their misbehavior can result in costly catastrophes, including the loss of human life. In this work, we propose SimsV, which performs system-level testing on multi-module ADS. SimsV targets perception failures of ADS and further assesses the impact of perception failure on the system as a whole. SimsV leverages a high-fidelity simulator for test input and oracle generation by continuously applying predefined mutation operators. In addition, SimsV leverages various metrics to guide the testing process. We implemented a prototype SimsV for testing a commercial-grade Level 4 ADS (i.e., Apollo) using a popular open-source driving platform simulator. Our evaluation shows that SimsV is capable of finding weaknesses in the perception of Apollo. Furthermore, we show that by exploiting such weakness, SimsV finds severe problems in Apollo, including collisions.
- Abstract（参考訳）: 自律運転システム(ADS)は大きな進歩を遂げ、道路上でのテストや商業化試験を開始している。
複数のセンサーから入力データを受信し、複数のディープニューラルネットワークモデルとコードロジックを組み合わせて決定する。
ADSの安全性は、その不行が人命の喪失を含むコストのかかる災害を引き起こす可能性があるため、最も重要である。
本研究では,マルチモジュールADS上でシステムレベルのテストを行うSimsVを提案する。
SimsVは、ADSの知覚障害をターゲットとし、システム全体に対する知覚障害の影響をさらに評価する。
SimsVは、事前定義された突然変異演算子を継続的に適用することにより、テスト入力とオラクル生成のための高忠実度シミュレータを利用する。
さらに、SimsVはさまざまなメトリクスを活用してテストプロセスをガイドする。
我々は,オープンソースの運転プラットフォームシミュレータを用いて,商用グレードのレベル4ADS(Apollo)をテストするプロトタイプSimsVを実装した。
評価の結果,SimsVはアポロの知覚の弱点を見つけることができることがわかった。
さらに,このような弱点を活用することで,シムズVはアポロ計画の衝突を含む深刻な問題に遭遇することを示した。
関連論文リスト
- SimADFuzz: Simulation-Feedback Fuzz Testing for Autonomous Driving Systems [5.738863204900633]
SimADFuzzは、自律運転システムにおける違反を明らかにする高品質なシナリオを生成するように設計された、新しいフレームワークである。
SimADFuzzは、シナリオ選択を最適化するために、ADS違反の可能性を評価する違反予測モデルを採用している。
総合的な実験により、SimADFuzzは32以上のユニークな違反を識別することで最先端のファズーより優れていることが示された。
論文 参考訳（メタデータ） (2024-12-18T12:49:57Z) - DriveTester: A Unified Platform for Simulation-Based Autonomous Driving Testing [24.222344794923558]
DriveTesterはApollo上に構築されたシミュレーションベースの統合テストプラットフォームである。
一貫性があり信頼性の高い環境を提供し、軽量な交通シミュレータを統合し、様々な最先端のADSテスト技術を取り入れている。
論文 参考訳（メタデータ） (2024-12-17T08:24:05Z) - LMM-enhanced Safety-Critical Scenario Generation for Autonomous Driving System Testing From Non-Accident Traffic Videos [22.638869562921133]
自律運転システムにとって、さまざまな安全クリティカルなテストシナリオを生成することが最重要である。
事故のない現実のシナリオの中には、ADSの誤動作を引き起こすだけでなく、ADS違反の発生にも活用できるものもある。
通常の交通シナリオからADSの安全違反を発見することが重要である。
論文 参考訳（メタデータ） (2024-06-16T09:05:56Z) - Evaluating the Impact of Flaky Simulators on Testing Autonomous Driving
Systems [2.291478393584594]
シミュレーションに基づく自律運転システム(ADS)のテストにおけるフレキネスの検討
ADSにおけるテストフレキネスは一般的な現象であり,ランダム化アルゴリズムにより得られたテスト結果に大きな影響を及ぼす可能性が示唆された。
我々の機械学習(ML)分類器は、単一のテスト実行のみを使用して、脆弱なADSテストを効果的に識別する。
論文 参考訳（メタデータ） (2023-11-30T18:08:02Z) - 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) - 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) - PEM: Perception Error Model for Virtual Testing of Autonomous Vehicles [20.300846259643137]
この記事では、知覚エラーモデル(PEM)を定義します。
PEMは仮想シミュレーションコンポーネントであり、知覚誤差がAV安全性に与える影響を分析することができる。
我々は、カメラ、LiDAR、カメラ-LiDARのセットアップを評価することにより、PEMベースの仮想テストの有用性を実証する。
論文 参考訳（メタデータ） (2023-02-23T10:54:36Z) - CODA: A Real-World Road Corner Case Dataset for Object Detection in
Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。
大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。
我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文 参考訳（メタデータ） (2022-03-15T08:32:56Z) - 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) - 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) - Automatic Recommendation of Strategies for Minimizing Discomfort in
Virtual Environments [58.720142291102135]
本稿では,まず,サイバーシックネス(CS)の原因に関する詳細なレビューを行う。
当社のシステムでは,ユーザがアプリケーションの次の瞬間に,病気の状況に侵入しているかどうかを示唆することができる。
CSPQ(Cybersickness Profile Questionnaire)も提案されている。
論文 参考訳（メタデータ） (2020-06-27T19:28:48Z)
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。