論文の概要: SoVAR: Building Generalizable Scenarios from Accident Reports for Autonomous Driving Testing

• arxiv url: http://arxiv.org/abs/2409.08081v1
• Date: Thu, 12 Sep 2024 14:35:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-13 16:17:53.637205
• Title: SoVAR: Building Generalizable Scenarios from Accident Reports for Autonomous Driving Testing
• Title（参考訳）: SoVAR: 自律走行テストの事故報告から一般シナリオを構築する
• Authors: An Guo, Yuan Zhou, Haoxiang Tian, Chunrong Fang, Yunjian Sun, Weisong Sun, Xinyu Gao, Anh Tuan Luu, Yang Liu, Zhenyu Chen,
• Abstract要約: 事故報告は自律運転システム(ADS)テストに貴重な資源を提供する。 既存の事故報告からのシナリオ再構築手法では,情報抽出の精度が限られていることが多い。 本稿では,事故報告から道路一般化シナリオを自動的に生成するツールであるSovarの設計と実装を行う。
• 参考スコア（独自算出の注目度）: 35.33278666285077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous driving systems (ADSs) have undergone remarkable development and are increasingly employed in safety-critical applications. However, recently reported data on fatal accidents involving ADSs suggests that the desired level of safety has not yet been fully achieved. Consequently, there is a growing need for more comprehensive and targeted testing approaches to ensure safe driving. Scenarios from real-world accident reports provide valuable resources for ADS testing, including critical scenarios and high-quality seeds. However, existing scenario reconstruction methods from accident reports often exhibit limited accuracy in information extraction. Moreover, due to the diversity and complexity of road environments, matching current accident information with the simulation map data for reconstruction poses significant challenges. In this paper, we design and implement SoVAR, a tool for automatically generating road-generalizable scenarios from accident reports. SoVAR utilizes well-designed prompts with linguistic patterns to guide the large language model in extracting accident information from textual data. Subsequently, it formulates and solves accident-related constraints in conjunction with the extracted accident information to generate accident trajectories. Finally, SoVAR reconstructs accident scenarios on various map structures and converts them into test scenarios to evaluate its capability to detect defects in industrial ADSs. We experiment with SoVAR, using accident reports from the National Highway Traffic Safety Administration's database to generate test scenarios for the industrial-grade ADS Apollo. The experimental findings demonstrate that SoVAR can effectively generate generalized accident scenarios across different road structures. Furthermore, the results confirm that SoVAR identified 5 distinct safety violation types that contributed to the crash of Baidu Apollo.
• Abstract（参考訳）: 自律運転システム(ADS)は目覚ましい発展を遂げており、安全クリティカルな応用にますます採用されている。 しかし、最近報告されたADSによる致命的な事故に関するデータは、希望する安全性のレベルがまだ十分に達成されていないことを示唆している。 その結果、安全な運転を保証するために、より包括的で目標とするテストアプローチの必要性が高まっている。 現実の事故報告のシナリオは、重要なシナリオや高品質な種子を含む、ADSテストに貴重なリソースを提供する。 しかし,既存の事故報告からのシナリオ再構築手法では,情報抽出の精度が限られている場合が多い。 さらに,道路環境の多様性と複雑さから,現在の事故情報とシミュレーションマップデータとの整合性は大きな課題となっている。 本稿では,事故報告から道路一般化シナリオを自動的に生成するツールであるSoVARの設計と実装を行う。 SoVARは、言語パターンとよく設計されたプロンプトを使用して、テキストデータから事故情報を抽出する大きな言語モデルを導く。 その後、抽出した事故情報と合わせて事故関連制約を定式化し、解決し、事故軌跡を生成する。 最後に、SoVARは、様々な地図構造上の事故シナリオを再構築し、それらをテストシナリオに変換し、産業用ADSの欠陥を検出する能力を評価する。 我々は,道路交通安全局のデータベースからの事故報告を用いて,産業用ADSアポロの試験シナリオを生成するSoVARを実験した。 実験結果から,SoVARは道路構造にまたがる一般的な事故シナリオを効果的に生成できることが示唆された。 さらに、結果はSoVARがBaidu Apolloのクラッシュに寄与した5つの異なる安全違反タイプを特定したことを確認した。

関連論文リスト

• An Explainable Machine Learning Approach to Traffic Accident Fatality Prediction [0.02730969268472861]
  道路交通事故は世界中で公衆衛生上の脅威となっている。 本研究では,致命的および致命的でない道路事故を分類するための機械学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-18T12:41:56Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• A novel framework for adaptive stress testing of autonomous vehicles in highways [3.2112502548606825]
  高速道路交通のシナリオにおいて,安全上の懸念を生じさせるようなコーナーケースを探索する新しい枠組みを提案する。 衝突確率推定に基づいて衝突シナリオを識別する際のASTを導出するDRLの新しい報奨関数を開発した。 提案するフレームワークは,より現実的なトラフィックシナリオの作成を可能にする,新たな駆動モデルとさらに統合されている。
  論文  参考訳（メタデータ） (2024-02-19T04:02:40Z)
• ACAV: A Framework for Automatic Causality Analysis in Autonomous Vehicle Accident Recordings [5.578446693797519]
  近年の死者は、大規模な検査による安全性検証の重要性を強調している。 本稿では,AV事故記録の因果解析を行うための自動フレームワークACAVを提案する。 我々はアポロADSでACAVを評価し、110件の事故記録の93.64%で5種類の因果事象を特定できることを発見した。
  論文  参考訳（メタデータ） (2024-01-13T12:41:05Z)
• 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)
• 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)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)
• TAD: A Large-Scale Benchmark for Traffic Accidents Detection from Video Surveillance [2.1076255329439304]
  既存の交通事故のデータセットは小規模で、監視カメラからではなく、オープンソースではない。 様々な次元による統合とアノテーションの後に,TADという大規模交通事故データセットが提案されている。
  論文  参考訳（メタデータ） (2022-09-26T03:00:50Z)
• 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)

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。