論文の概要: An LSTM-based Test Selection Method for Self-Driving Cars
- arxiv url: http://arxiv.org/abs/2501.03881v1
- Date: Tue, 07 Jan 2025 15:44:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-08 15:49:56.216882
- Title: An LSTM-based Test Selection Method for Self-Driving Cars
- Title(参考訳): LSTMによる自動走行車のテスト選択法
- Authors: Ali Güllü, Faiz Ali Shah, Dietmar Pfahl,
- Abstract要約: 本研究は、自動運転車の車線維持システムにおけるテスト選択問題に対処する。
角度や長さなどの道路セグメントの特徴を抽出し,シーケンスとして処理した。
提案したモデルと機械学習ベースのテストセレクタを比較した。
- 参考スコア(独自算出の注目度): 1.3450023647228841
- License:
- Abstract: Self-driving cars require extensive testing, which can be costly in terms of time. To optimize this process, simple and straightforward tests should be excluded, focusing on challenging tests instead. This study addresses the test selection problem for lane-keeping systems for self-driving cars. Road segment features, such as angles and lengths, were extracted and treated as sequences, enabling classification of the test cases as "safe" or "unsafe" using a long short-term memory (LSTM) model. The proposed model is compared against machine learning-based test selectors. Results demonstrated that the LSTM-based method outperformed machine learning-based methods in accuracy and precision metrics while exhibiting comparable performance in recall and F1 scores. This work introduces a novel deep learning-based approach to the road classification problem, providing an effective solution for self-driving car test selection using a simulation environment.
- Abstract(参考訳): 自動運転車には広範なテストが必要で、時間的にもコストがかかる。
このプロセスを最適化するためには、単純で簡単なテストを除外し、代わりに挑戦的なテストに集中する必要がある。
本研究は、自動運転車の車線維持システムにおけるテスト選択問題に対処する。
角度や長さなどの道路セグメントの特徴を抽出してシーケンスとして扱い、長期記憶(LSTM)モデルを用いて、テストケースを"セーフ"または"アンセーフ"と分類できる。
提案したモデルと機械学習ベースのテストセレクタを比較した。
その結果、LSTM法は精度と精度の指標で機械学習法よりも優れており、リコールとF1スコアでは同等のパフォーマンスを示した。
本研究は,道路分類問題に対する新しいディープラーニングに基づくアプローチを導入し,シミュレーション環境を用いた自動運転車のテスト選択に有効なソリューションを提供する。
関連論文リスト
- MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳(メタデータ) (2024-06-23T15:30:40Z) - Rigorous Simulation-based Testing for Autonomous Driving Systems -- Targeting the Achilles' Heel of Four Open Autopilots [6.229766691427486]
本稿では,シナリオを単純なものに分割した厳密なテスト手法を提案する。
クリティカルな状況において、車両をテスト対象とするクリティカルな構成のテストケースを生成します。
テストケースでは、Apollo、Autoware、CarlaとLGSVLのオートパイロットに重大な欠陥が見られる。
論文 参考訳(メタデータ) (2024-05-27T08:06:21Z) - Diversity-guided Search Exploration for Self-driving Cars Test
Generation through Frenet Space Encoding [4.135985106933988]
自動運転車(SDC)の台頭は、動的環境に対処する上で重要な安全上の課題を提示している。
フィールドテストは不可欠であるが、現在の手法では重要なSDCシナリオを評価するための多様性が欠如している。
本研究では, ディープラーニングバニラ変圧器モデルを用いて, アウトオブバウンド状態に導く可能性を示す。
論文 参考訳(メタデータ) (2024-01-26T06:57:00Z) - Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label
Regeneration and BEVMix [59.55173022987071]
クラス非依存動作予測のための半教師あり学習の可能性について検討する。
我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。
本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
論文 参考訳(メタデータ) (2023-12-13T09:32:50Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [117.72709110877939]
テスト時間適応(TTA)は、事前訓練されたモデルをテスト中に、予測する前にラベルのないデータに適応する可能性がある。
TTAはテスト時間領域適応、テスト時間バッチ適応、オンラインテスト時間適応といったテストデータの形態に基づいて、いくつかの異なるグループに分類される。
論文 参考訳(メタデータ) (2023-03-27T16:32:21Z) - Benchmarking Lane-changing Decision-making for Deep Reinforcement
Learning [13.347722791726198]
深層強化学習の観点から,車線変更作業のための訓練,試験,評価パイプラインを提案する。
我々は、設計したトレーニングシナリオにおいて、最先端の深層強化学習手法を訓練し、テストシナリオにおけるトレーニングされたモデルのベンチマーク評価結果を提供する。
論文 参考訳(メタデータ) (2021-09-22T02:25:27Z) - SilGAN: Generating driving maneuvers for scenario-based
software-in-the-loop testing [0.0]
SilGANは、自動車用ソフトウェア・イン・ザ・ループテストの仕様、刺激発生、自動化を容易にする、深い生成モデルである。
モデルはフィールド内の車両から記録されたデータを使って訓練される。
論文 参考訳(メタデータ) (2021-07-05T07:17:49Z) - 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) - Search-based Test-Case Generation by Monitoring Responsibility Safety
Rules [2.1270496914042996]
本研究では,シミュレーションに基づく運転テストデータのスクリーニングと分類を行う手法を提案する。
本フレームワークは,S-TALIROおよびSim-ATAVツールとともに配布されている。
論文 参考訳(メタデータ) (2020-04-25T10:10:11Z)
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。