論文の概要: Text2Scenario: Text-Driven Scenario Generation for Autonomous Driving Test
- arxiv url: http://arxiv.org/abs/2503.02911v1
- Date: Tue, 04 Mar 2025 07:20:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-06 15:54:00.570033
- Title: Text2Scenario: Text-Driven Scenario Generation for Autonomous Driving Test
- Title（参考訳）: Text2Scenario: 自動走行テストのためのテキスト駆動シナリオ生成
- Authors: Xuan Cai, Xuesong Bai, Zhiyong Cui, Danmu Xie, Daocheng Fu, Haiyang Yu, Yilong Ren,
- Abstract要約: Text2Scenarioは、ユーザー仕様と密接に一致したシミュレーションテストシナリオを自律的に生成するフレームワークである。
結果は、手動のシナリオ構成に必要な労力を伴わない、多様なADスタックの効率的かつ正確な評価である。
- 参考スコア（独自算出の注目度）: 15.601818101020996
- License:
- Abstract: Autonomous driving (AD) testing constitutes a critical methodology for assessing performance benchmarks prior to product deployment. The creation of segmented scenarios within a simulated environment is acknowledged as a robust and effective strategy; however, the process of tailoring these scenarios often necessitates laborious and time-consuming manual efforts, thereby hindering the development and implementation of AD technologies. In response to this challenge, we introduce Text2Scenario, a framework that leverages a Large Language Model (LLM) to autonomously generate simulation test scenarios that closely align with user specifications, derived from their natural language inputs. Specifically, an LLM, equipped with a meticulously engineered input prompt scheme functions as a text parser for test scenario descriptions, extracting from a hierarchically organized scenario repository the components that most accurately reflect the user's preferences. Subsequently, by exploiting the precedence of scenario components, the process involves sequentially matching and linking scenario representations within a Domain Specific Language corpus, ultimately fabricating executable test scenarios. The experimental results demonstrate that such prompt engineering can meticulously extract the nuanced details of scenario elements embedded within various descriptive formats, with the majority of generated scenarios aligning closely with the user's initial expectations, allowing for the efficient and precise evaluation of diverse AD stacks void of the labor-intensive need for manual scenario configuration. Project page: https://caixxuan.github.io/Text2Scenario.GitHub.io.
- Abstract（参考訳）: 自動運転(AD)テストは、製品展開前のパフォーマンスベンチマークを評価するための重要な方法論である。
シミュレーション環境におけるセグメント化されたシナリオの作成は、堅牢で効果的な戦略であると認識されているが、これらのシナリオを調整するプロセスは、しばしば手間と時間を要する手作業を必要とし、AD技術の開発と実装を妨げる。
この課題に対応するために、我々は、Large Language Model (LLM) を利用したフレームワークであるText2Scenarioを紹介し、自然言語入力から派生したユーザ仕様と密に一致したシミュレーションテストシナリオを自律的に生成する。
具体的には、厳密に設計された入力プロンプトスキームを備えたLCMが、テストシナリオ記述のためのテキストパーサとして機能し、階層的に整理されたシナリオリポジトリから、ユーザの好みを最も正確に反映したコンポーネントを抽出する。
その後、シナリオコンポーネントの優先順位を利用して、プロセスは、ドメイン固有言語コーパス内のシナリオ表現を逐次マッチングし、リンクし、最終的に実行可能なテストシナリオを作成する。
実験結果から,様々な記述形式に埋め込まれたシナリオ要素のニュアンスの詳細を巧みに抽出できることが示され,生成したシナリオの大部分はユーザの初期期待に忠実に一致し,手作業によるシナリオ構成の必要性を排除し,多様なADスタックの効率的かつ正確な評価が可能となった。
プロジェクトページ: https://caixxuan.github.io/Text2Scenario.GitHub.io
関連論文リスト
- ML-SceGen: A Multi-level Scenario Generation Framework [1.249418440326334]
ユーザが生成したシナリオの可制御性を取り戻すための3段階のフレームワークを構築したいと考えています。
我々は、Answer Set Programming (ASP)ソルバのClingoを使って、交差点内の包括的な論理的トラフィックを生成する。
論文 参考訳（メタデータ） (2025-01-18T14:43:40Z) - LeGEND: A Top-Down Approach to Scenario Generation of Autonomous Driving Systems Assisted by Large Language Models [9.841914333647631]
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。
論文 参考訳（メタデータ） (2024-09-16T08:01:21Z) - 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) - ProS: Prompting-to-simulate Generalized knowledge for Universal
Cross-Domain Retrieval [123.51277978744677]
textbfPrompting-to-textbfSimulate (ProS) を提案し,Universal Cross-Domain Retrieval (UCDR) にプロンプトチューニングを適用する。
ProSは、Content-Aware Dynamic Prompts (CaDP)をシミュレートする2段階のプロセスを採用している。
本手法は過剰なパラメータを伴わずに新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2023-12-19T14:39:11Z) - 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) - Tree-Based Scenario Classification: A Formal Framework for Coverage
Analysis on Test Drives of Autonomous Vehicles [0.0]
シナリオベースのテストでは、関連する(運転)シナリオがテストの基礎になります。
シナリオの集合を分類し、記録されたテストドライブにおけるこれらのシナリオのカバレッジを測定するというオープンな課題に対処する。
論文 参考訳（メタデータ） (2023-07-11T08:30:57Z) - TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。
TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。
分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
論文 参考訳（メタデータ） (2023-06-06T03:37:41Z) - 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) - Realistic simulation of users for IT systems in cyber ranges [63.20765930558542]
ユーザアクティビティを生成するために,外部エージェントを用いて各マシンを計測する。
このエージェントは、決定論的および深層学習に基づく手法を組み合わせて、異なる環境に適応する。
また,会話や文書の作成を容易にする条件付きテキスト生成モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T10:53:29Z) - 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) - 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。