論文の概要: FixDrive: Automatically Repairing Autonomous Vehicle Driving Behaviour for $0.08 per Violation

• arxiv url: http://arxiv.org/abs/2502.08260v1
• Date: Wed, 12 Feb 2025 10:07:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:49:33.522816
• Title: FixDrive: Automatically Repairing Autonomous Vehicle Driving Behaviour for $0.08 per Violation
• Title（参考訳）: FixDrive:自動走行走行の動作を自動修理、1ビオレーションあたり0.08ドル
• Authors: Yang Sun, Christopher M. Poskitt, Kun Wang, Jun Sun,
• Abstract要約: FixDriveは、ニアミスまたは法違反からの運転記録を分析して、AV運転戦略の修復を生成する。 これらの修復は、駆動動作を指定するための高レベルなドメイン固有言語であるmuDriveでキャプチャされる。 各種ベンチマークのシナリオでFixDriveをテストしたところ,AVの性能が向上し,交通法則が守られ,衝突が回避され,目的地に到達できた。
• 参考スコア（独自算出の注目度）: 8.727125793598875
• License:
• Abstract: Autonomous Vehicles (AVs) are advancing rapidly, with Level-4 AVs already operating in real-world conditions. Current AVs, however, still lag behind human drivers in adaptability and performance, often exhibiting overly conservative behaviours and occasionally violating traffic laws. Existing solutions, such as runtime enforcement, mitigate this by automatically repairing the AV's planned trajectory at runtime, but such approaches lack transparency and should be a measure of last resort. It would be preferable for AV repairs to generalise beyond specific incidents and to be interpretable for users. In this work, we propose FixDrive, a framework that analyses driving records from near-misses or law violations to generate AV driving strategy repairs that reduce the chance of such incidents occurring again. These repairs are captured in {\mu}Drive, a high-level domain-specific language for specifying driving behaviours in response to event-based triggers. Implemented for the state-of-the-art autonomous driving system Apollo, FixDrive identifies and visualises critical moments from driving records, then uses a Multimodal Large Language Model (MLLM) with zero-shot learning to generate {\mu}Drive programs. We tested FixDrive on various benchmark scenarios, and found that the generated repairs improved the AV's performance with respect to following traffic laws, avoiding collisions, and successfully reaching destinations. Furthermore, the direct costs of repairing an AV -- 15 minutes of offline analysis and $0.08 per violation -- are reasonable in practice.
• Abstract（参考訳）: 自律走行車(AV)は急速に進歩しており、Level-4 AVはすでに現実の環境で運用されている。 しかしながら、現在のAVは、適応性と性能において人間のドライバーより遅れており、しばしば過度に保守的な行動を示し、時には交通法に違反している。 実行時執行のような既存のソリューションは、実行時にAVの計画された軌道を自動的に修復することでこれを緩和するが、そのようなアプローチには透明性が欠如しており、最後の手段となるべきである。 AV修復は、特定のインシデントを超えて一般化し、ユーザにとって解釈可能であることが好ましい。 本研究は,事故発生確率を下げるAV運転戦略修正を生成するために,近距離攻撃や法違反から運転記録を解析するフレームワークであるFixDriveを提案する。 これらの修復は、イベントベースのトリガに対応する駆動動作を指定するための高レベルなドメイン固有言語である {\mu}Driveでキャプチャされる。 最先端の自律運転システムであるApolloに実装されたFixDriveは、運転記録から重要な瞬間を識別し視覚化し、ゼロショット学習を備えたマルチモーダル大規模言語モデル(MLLM)を使用して、tmu}Driveプログラムを生成する。 各種ベンチマークのシナリオでFixDriveをテストしたところ,AVの性能が向上し,交通法則が守られ,衝突が回避され,目的地に到達できた。 さらに、オフライン分析の15分と違反1件あたり0.08ドルという、AVの修理の直接的なコストは、現実的には妥当である。

関連論文リスト

• A Real-Time Defense Against Object Vanishing Adversarial Patch Attacks for Object Detection in Autonomous Vehicles [0.0]
  ADAV (Adversarial Defense for autonomous Vehicles) は、物体の消滅するパッチ攻撃に対する新しい防御手法である。 ADAVはリアルタイムで動作し、AVのビデオフィードの以前のフレームからコンテキスト情報を活用する。 ADAVは、Berkeley Deep Drive BDD100Kデータセットの実際の運転データを用いて評価される。
  論文  参考訳（メタデータ） (2024-12-09T05:21:14Z)
• Physical Backdoor Attack can Jeopardize Driving with Vision-Large-Language Models [53.701148276912406]
  Vision-Large-Language-models (VLMs) は自動運転において大きな応用可能性を持っている。 BadVLMDriverは、物理的オブジェクトを使用して実際に起動できる自動運転のためのVLMに対する最初のバックドア攻撃である。 BadVLMDriverは、赤い風船を持った歩行者に突如、加速を誘導する攻撃の成功率を92%達成する。
  論文  参考訳（メタデータ） (2024-04-19T14:40:38Z)
• REDriver: Runtime Enforcement for Autonomous Vehicles [6.97499033700151]
  本稿では,自律運転システムの実行時適用に対する汎用的かつモジュール的なアプローチであるREDriverを提案する。 ReDriverは、STLの定量的セマンティクスに基づいて、ADSの計画された軌道を監視する。 仕様に違反する可能性がある場合に、勾配駆動のアルゴリズムを使って軌道を修復する。
  論文  参考訳（メタデータ） (2024-01-04T13:08:38Z)
• 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)
• 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)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• Intersection focused Situation Coverage-based Verification and Validation Framework for Autonomous Vehicles Implemented in CARLA [1.1602089225841632]
  本稿では,AVの検証・検証(V&V)と安全性保証のための状況カバレッジベース(SitCov) AV-testingフレームワークを提案する。 SitCov AV-testing frameworkは、異なる環境および交差点構成下での道路交差点における車両と車両の相互作用に焦点を当てる。 私たちのコードはオンラインで公開されており、誰でも私たちのSitCov AV-testingフレームワークを使って、それを使って、さらにその上に構築することができます。
  論文  参考訳（メタデータ） (2021-12-24T02:56:56Z)
• Neural Network Guided Evolutionary Fuzzing for Finding Traffic Violations of Autonomous Vehicles [15.702721819948623]
  既存のテスト方法は、自動運転車のエンドツーエンドの動作をチェックするのに不十分である。 本稿では,広く使用されているAVシミュレータのAPI文法を活用可能な,AutoFuzzと呼ばれるファジテスト手法を提案する。 AutoFuzzは、現実の事故に似た何百もの現実的な交通違反を効率的に見つける。
  論文  参考訳（メタデータ） (2021-09-13T17:05:43Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Stop-and-Go: Exploring Backdoor Attacks on Deep Reinforcement Learning-based Traffic Congestion Control Systems [16.01681914880077]
  DRLを用いたAVコントローラのバックドア/トロイジャリングについて検討する。 悪意ある行動としては、車両の減速と加速によって停止・停止する交通波が発生することが挙げられる。 実験により、バックドアモデルが通常の動作性能を損なわないことが示された。
  論文  参考訳（メタデータ） (2020-03-17T08:20:43Z)

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。