論文の概要: LeGEND: A Top-Down Approach to Scenario Generation of Autonomous Driving Systems Assisted by Large Language Models
- arxiv url: http://arxiv.org/abs/2409.10066v1
- Date: Mon, 16 Sep 2024 08:01:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 16:21:11.847237
- Title: LeGEND: A Top-Down Approach to Scenario Generation of Autonomous Driving Systems Assisted by Large Language Models
- Title（参考訳）: LeGEND:大規模言語モデルによる自律走行システムのシナリオ生成のためのトップダウンアプローチ
- Authors: Shuncheng Tang, Zhenya Zhang, Jixiang Zhou, Lei Lei, Yuan Zhou, Yinxing Xue,
- Abstract要約: シナリオ生成のトップダウン方式を特徴とするLeGENDを提案する。
最初は抽象的な機能シナリオから始まり、その後論理的で具体的なシナリオへと下降する。
形式的に記述できる論理的シナリオとは異なり、関数的シナリオは自然言語で文書化されることが多い。
- 参考スコア（独自算出の注目度）: 9.841914333647631
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving systems (ADS) are safety-critical and require comprehensive testing before their deployment on public roads. While existing testing approaches primarily aim at the criticality of scenarios, they often overlook the diversity of the generated scenarios that is also important to reflect system defects in different aspects. To bridge the gap, we propose LeGEND, that features a top-down fashion of scenario generation: it starts with abstract functional scenarios, and then steps downwards to logical and concrete scenarios, such that scenario diversity can be controlled at the functional level. However, unlike logical scenarios that can be formally described, functional scenarios are often documented in natural languages (e.g., accident reports) and thus cannot be precisely parsed and processed by computers. To tackle that issue, LeGEND leverages the recent advances of large language models (LLMs) to transform textual functional scenarios to formal logical scenarios. To mitigate the distraction of useless information in functional scenario description, we devise a two-phase transformation that features the use of an intermediate language; consequently, we adopt two LLMs in LeGEND, one for extracting information from functional scenarios, the other for converting the extracted information to formal logical scenarios. We experimentally evaluate LeGEND on Apollo, an industry-grade ADS from Baidu. Evaluation results show that LeGEND can effectively identify critical scenarios, and compared to baseline approaches, LeGEND exhibits evident superiority in diversity of generated scenarios. Moreover, we also demonstrate the advantages of our two-phase transformation framework, and the accuracy of the adopted LLMs.
- Abstract（参考訳）: 自律運転システム(ADS)は安全に重要であり、公道への配備前に包括的なテストが必要である。
既存のテストアプローチは主にシナリオの臨界性を目指していますが、異なる側面におけるシステムの欠陥を反映する上でも重要な、生成されたシナリオの多様性を見落としてしまうことが少なくありません。
このギャップを埋めるために、我々はLeGENDを提案し、それは、抽象的な機能シナリオから始まり、次に、シナリオの多様性を機能レベルで制御できるような論理的で具体的なシナリオへと下降する。
しかし、形式的に記述できる論理的シナリオとは異なり、関数的シナリオは自然言語(例えば事故報告)で文書化され、コンピュータによって正確に解析され、処理されることはない。
この問題を解決するため、LeGENDは大規模言語モデル(LLM)の最近の進歩を活用して、テキスト機能シナリオを形式論理シナリオに変換する。
機能シナリオ記述における無駄な情報の注意を和らげるために、中間言語の使用を特徴とする2相変換を考案し、機能シナリオから情報を抽出する2つのLLMと、抽出した情報を形式論理シナリオに変換する2つのLLMをLeGENDに導入する。
我々はBaiduの業界グレードADSであるApollo上でLeGENDを実験的に評価した。
評価の結果、LeGENDは重要なシナリオを効果的に特定でき、ベースラインアプローチと比較すると、生成シナリオの多様性において明らかな優位性を示す。
さらに, 2相変換フレームワークの利点と, 採用したLLMの精度も示す。
関連論文リスト
- Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
大規模言語モデル(LLM)は自動運転において有望であることを示している。
本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。
我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
論文 参考訳（メタデータ） (2024-11-25T16:38:17Z) - LangSuitE: Planning, Controlling and Interacting with Large Language Models in Embodied Text Environments [70.91258869156353]
テキストエンボディの世界における6つの代表的具体的タスクを特徴とする多目的・シミュレーション不要なテストベッドであるLangSuitEを紹介する。
以前のLLMベースのテストベッドと比較すると、LangSuitEは複数のシミュレーションエンジンを使わずに、多様な環境への適応性を提供する。
具体化された状態の履歴情報を要約した新しいチェーン・オブ・ソート(CoT)スキーマであるEmMemを考案する。
論文 参考訳（メタデータ） (2024-06-24T03:36:29Z) - An LLM-enhanced Multi-objective Evolutionary Search for Autonomous Driving Test Scenario Generation [23.176669620953668]
多様な安全クリティカルなテストシナリオを生成する方法は、自律運転システム(ADS)テストにおいて重要なタスクである。
本稿では,ALS テストのための LLM 拡張シナリオ生成手法 LEADE を提案する。
産業レベルのフルスタックADSプラットフォームであるBaidu Apollo上でLEADEを実装し評価する。
論文 参考訳（メタデータ） (2024-06-16T09:05:56Z) - 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) - ChatScene: Knowledge-Enabled Safety-Critical Scenario Generation for Autonomous Vehicles [17.396416459648755]
ChatSceneはLarge Language Model(LLM)ベースのエージェントで、自動運転車の安全クリティカルなシナリオを生成する。
エージェントの重要な部分は包括的知識検索コンポーネントであり、特定のテキスト記述を対応するドメイン固有のコードスニペットに効率的に翻訳する。
論文 参考訳（メタデータ） (2024-05-22T23:21:15Z) - RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。
RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。
このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
論文 参考訳（メタデータ） (2023-12-19T23:11:06Z) - Generative Judge for Evaluating Alignment [84.09815387884753]
本稿では,これらの課題に対処するために,13Bパラメータを持つ生成判断器Auto-Jを提案する。
我々のモデルは,大規模な実環境シナリオ下でのユーザクエリとLLM生成応答に基づいて訓練されている。
実験的に、Auto-Jはオープンソースモデルとクローズドソースモデルの両方を含む、強力なライバルのシリーズを上回っている。
論文 参考訳（メタデータ） (2023-10-09T07:27:15Z) - In-Context Learning for Few-Shot Dialogue State Tracking [55.91832381893181]
In-context (IC) Learning framework for few-shot dialogue state tracking (DST)を提案する。
大規模な事前訓練言語モデル(LM)は、テストインスタンスといくつかの注釈付き例を入力として取り、パラメータの更新なしに直接対話状態をデコードする。
これにより、LMは、新しいドメインやシナリオに適応する際の、以前の数ショットのDST作業と比べて、より柔軟でスケーラブルになります。
論文 参考訳（メタデータ） (2022-03-16T11:58:24Z) - Pre-Trained Language Models for Interactive Decision-Making [72.77825666035203]
目的と観測を埋め込みのシーケンスとして表現する模倣学習の枠組みを述べる。
このフレームワークは様々な環境にまたがって効果的な一般化を可能にすることを実証する。
新たなゴールや新しいシーンを含むテストタスクでは、言語モデルによる初期化ポリシーはタスク完了率を43.6%改善する。
論文 参考訳（メタデータ） (2022-02-03T18:55:52Z) - 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)
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。