論文の概要: AuthSim: Towards Authentic and Effective Safety-critical Scenario Generation for Autonomous Driving Tests

• arxiv url: http://arxiv.org/abs/2502.21100v1
• Date: Fri, 28 Feb 2025 14:38:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:41:05.681439
• Title: AuthSim: Towards Authentic and Effective Safety-critical Scenario Generation for Autonomous Driving Tests
• Title（参考訳）: AuthSim: 自律運転テストのための認証および効果的な安全クリティカルシナリオ生成を目指して
• Authors: Yukuan Yang, Xucheng Lu, Zhili Zhang, Zepeng Wu, Guoqi Li, Lingzhong Meng, Yunzhi Xue,
• Abstract要約: 危険レベルに基づいてエリアを分割し,NPC車両が相対境界領域に入る可能性を高める3層相対安全領域モデルを提案する。 このモデルは,NPC車両に対して比較的安全な境界領域内での敵行動の実行を指示し,シナリオの信頼性を高める。 我々は、認証および効果的な安全クリティカルシナリオを生成するための総合的なプラットフォームAuthSimを紹介する。
• 参考スコア（独自算出の注目度）: 18.814993626601193
• License:
• Abstract: Generating adversarial safety-critical scenarios is a pivotal method for testing autonomous driving systems, as it identifies potential weaknesses and enhances system robustness and reliability. However, existing approaches predominantly emphasize unrestricted collision scenarios, prompting non-player character (NPC) vehicles to attack the ego vehicle indiscriminately. These works overlook these scenarios' authenticity, rationality, and relevance, resulting in numerous extreme, contrived, and largely unrealistic collision events involving aggressive NPC vehicles. To rectify this issue, we propose a three-layer relative safety region model, which partitions the area based on danger levels and increases the likelihood of NPC vehicles entering relative boundary regions. This model directs NPC vehicles to engage in adversarial actions within relatively safe boundary regions, thereby augmenting the scenarios' authenticity. We introduce AuthSim, a comprehensive platform for generating authentic and effective safety-critical scenarios by integrating the three-layer relative safety region model with reinforcement learning. To our knowledge, this is the first attempt to address the authenticity and effectiveness of autonomous driving system test scenarios comprehensively. Extensive experiments demonstrate that AuthSim outperforms existing methods in generating effective safety-critical scenarios. Notably, AuthSim achieves a 5.25% improvement in average cut-in distance and a 27.12% enhancement in average collision interval time, while maintaining higher efficiency in generating effective safety-critical scenarios compared to existing methods. This underscores its significant advantage in producing authentic scenarios over current methodologies.
• Abstract（参考訳）: 敵の安全クリティカルシナリオの生成は、潜在的な弱点を特定し、システムの堅牢性と信頼性を高めるため、自律運転システムをテストするための重要な方法である。 しかし、既存のアプローチは主に制限のない衝突シナリオを強調しており、非プレイヤーキャラクタ(NPC)車両がエゴ車両を無差別に攻撃するように促している。 これらの研究は、これらのシナリオの真正性、合理性、および関連性を見落とし、攻撃的なNPC車両を含む多くの極端で、包括的で、主に非現実的な衝突イベントを引き起こした。 この問題を解決するために,危険度に基づいて領域を分割し,NPC車両が相対境界領域に入る可能性を高める3層相対安全領域モデルを提案する。 このモデルは,NPC車両に対して比較的安全な境界領域内での敵行動の実行を指示し,シナリオの信頼性を高める。 本稿では,3層相対安全領域モデルと強化学習を統合し,真正かつ効果的な安全クリティカルシナリオを生成するための総合的なプラットフォームAuthSimを紹介する。 我々の知る限り、これは自律運転システムテストシナリオの信頼性と有効性に包括的に対処する最初の試みである。 大規模な実験では、AuthSimは効果的な安全クリティカルなシナリオを生成する上で、既存の手法よりも優れていることが示されている。 特に、AuthSimは平均カットイン距離が5.25%向上し、平均衝突間隔が27.12%向上する一方で、既存の方法と比較して効果的な安全クリティカルシナリオを生成する上で高い効率を維持している。 このことは、現在の方法論よりも真正なシナリオを生み出すという点において、その大きな利点を浮き彫りにしている。

関連論文リスト

• CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening [16.305837225117607]
  本稿では, CRASH - Challenging Reinforcement-learning based Adversarial scenarios for Safety Hardeningを紹介する。 第1のCRASHは、Ego車両との衝突を自動的に誘導するために、AVシミュレータ内のNon Player Character(NPC)エージェントを制御することができる。 我々はまた、敵エージェントに対する改善シナリオをシミュレートすることで、運動プランナーを反復的に洗練する安全硬化という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-26T00:00:27Z)
• 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)
• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• Enhanced Safety in Autonomous Driving: Integrating Latent State Diffusion Model for End-to-End Navigation [5.928213664340974]
  本研究は自動運転の制御最適化問題における安全性問題に対処する。 本稿では,条件付きバリュー・アット・リスクに基づくソフトアクター批判を利用して,ポリシー最適化のための新しいモデルベースアプローチを提案する。 本手法では, 安全探索を誘導する最悪のアクターを導入し, 予測不可能なシナリオにおいても, 安全要件の厳密な遵守を確保する。
  論文  参考訳（メタデータ） (2024-07-08T18:32:40Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• ASSERT: Automated Safety Scenario Red Teaming for Evaluating the Robustness of Large Language Models [65.79770974145983]
  ASSERT、Automated Safety Scenario Red Teamingは、セマンティックなアグリゲーション、ターゲットブートストラップ、敵の知識注入という3つの方法で構成されている。 このプロンプトを4つの安全領域に分割し、ドメインがモデルの性能にどのように影響するかを詳細に分析する。 統計的に有意な性能差は, 意味的関連シナリオにおける絶対分類精度が最大11%, ゼロショット逆数設定では最大19%の絶対誤差率であることがわかった。
  論文  参考訳（メタデータ） (2023-10-14T17:10:28Z)
• ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure Events [1.84926694477846]
  本稿では、まず、オフライン軌道を用いて、既存の自動運転車の挙動を分析するブラックボックステストフレームワークを提案する。 実験の結果,車両衝突,道路物体衝突,歩行者衝突,オフロードステアリング事故の発生率は35,23,48,50%増加した。
  論文  参考訳（メタデータ） (2023-08-28T13:09:00Z)
• 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)
• Adaptive Failure Search Using Critical States from Domain Experts [9.93890332477992]
  フェールサーチは、シミュレーションまたは実世界のテストにおいて、かなりの走行距離をロギングすることで行うことができる。 ASTはマルコフ決定プロセスとして失敗探索の問題を提起する手法である。 ASTフレームワークにクリティカルステートを組み込むことで,安全性違反の増大を伴う障害シナリオが生成されることを示す。
  論文  参考訳（メタデータ） (2023-04-01T18:14:41Z)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• Adversarial Evaluation of Autonomous Vehicles in Lane-Change Scenarios [10.53961877853783]
  対戦環境における自律走行車の評価を効率よく行うための適応評価フレームワークを提案する。 危険なシナリオのマルチモーダルな性質を考慮すると、多様性のために異なる局所最適化を表現するためにアンサンブルモデルを使用する。 その結果,テスト車両の性能は有意に低下した。
  論文  参考訳（メタデータ） (2020-04-14T14:12:17Z)

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。