論文の概要: Simulator Ensembles for Trustworthy Autonomous Driving Testing

• arxiv url: http://arxiv.org/abs/2503.08936v1
• Date: Tue, 11 Mar 2025 22:34:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:40:35.064334
• Title: Simulator Ensembles for Trustworthy Autonomous Driving Testing
• Title（参考訳）: 信頼できる自動運転テストのためのシミュレータアンサンブル
• Authors: Lev Sorokin, Matteo Biagiola, Andrea Stocco,
• Abstract要約: MultiSimは、検索ベースのテストアプローチに基づくマルチシミュレートADASテストの新しいアプローチである。 同等の妥当性を示す一方で、シミュレータに依存しないフェールテストの54%を識別する。
• 参考スコア（独自算出の注目度）: 2.1779479916071067
• License:
• Abstract: Scenario-based testing with driving simulators is extensively used to identify failing conditions of automated driving assistance systems (ADAS) and reduce the amount of in-field road testing. However, existing studies have shown that repeated test execution in the same as well as in distinct simulators can yield different outcomes, which can be attributed to sources of flakiness or different implementations of the physics, among other factors. In this paper, we present MultiSim, a novel approach to multi-simulation ADAS testing based on a search-based testing approach that leverages an ensemble of simulators to identify failure-inducing, simulator-agnostic test scenarios. During the search, each scenario is evaluated jointly on multiple simulators. Scenarios that produce consistent results across simulators are prioritized for further exploration, while those that fail on only a subset of simulators are given less priority, as they may reflect simulator-specific issues rather than generalizable failures. Our case study, which involves testing a deep neural network-based ADAS on different pairs of three widely used simulators, demonstrates that MultiSim outperforms single-simulator testing by achieving on average a higher rate of simulator-agnostic failures by 51%. Compared to a state-of-the-art multi-simulator approach that combines the outcome of independent test generation campaigns obtained in different simulators, MultiSim identifies 54% more simulator-agnostic failing tests while showing a comparable validity rate. An enhancement of MultiSim that leverages surrogate models to predict simulator disagreements and bypass executions does not only increase the average number of valid failures but also improves efficiency in finding the first valid failure.
• Abstract（参考訳）: 運転シミュレータを用いたシナリオベーステストは、自動運転支援システム(ADAS)の故障状況を特定し、現場での道路テストの量を削減するために広く利用されている。 しかし、既存の研究では、異なるシミュレーターと同様に繰り返しテストの実行が異なる結果をもたらすことが示されており、これは物理のフレキネスや異なる実装に起因する可能性がある。 本稿では,マルチシミュレートADASテストの新しい手法であるMultiSimを提案する。 探索中、各シナリオは複数のシミュレータで共同で評価される。 シミュレータ間で一貫性のある結果を生成するシナリオは、さらなる探索のために優先順位付けされるが、シミュレータのサブセットでのみ失敗するシナリオは、一般化可能な障害ではなく、シミュレータ固有の問題を反映する可能性があるため、優先度が低い。 我々のケーススタディでは、3つの広く使用されているシミュレータの異なるペアでディープニューラルネットワークベースのADASをテストすることで、MultiSimはシミュレータ非依存の障害の確率を平均51%向上させることで、シングルシミュレータテストより優れていることを示した。 異なるシミュレータで得られた独立したテスト生成キャンペーンの結果を組み合わせた最先端のマルチシミュレータアプローチと比較して、MultiSimは、同等の妥当性を示す一方で、シミュレータに依存しないフェールテストが54%多いことを認識している。 シミュレーションの不一致やバイパスの実行を予測するために代理モデルを活用するMultiSimの強化は、有効な失敗の平均数を増加させるだけでなく、最初の有効な失敗を見つける際の効率も向上する。

関連論文リスト

• LLM-Agents Driven Automated Simulation Testing and Analysis of small Uncrewed Aerial Systems [11.183147511573717]
  小型無人航空機の正確な挙動を検証するためには, 粗いシミュレーション試験が重要である。 開発者をサポートするために様々なsUASシミュレーションツールが存在するが、シミュレーションテストの作成、実行、分析のプロセス全体が、手作業で面倒な作業である。 複数のLLMエージェントが協調してsUASシミュレーションテストプロセスをサポートするフレームワークであるAutoSimTestを提案する。
  論文  参考訳（メタデータ） (2025-01-21T03:42:21Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Two is Better Than One: Digital Siblings to Improve Autonomous Driving Testing [10.518360486008964]
  複数の汎用シミュレータ上で、与えられた自動運転車をテストするマルチシミュレータアプローチであるデジタルシミュレータの概念を導入する。 我々は、このようなマルチシミュレーターアプローチを、大規模なテストケースにおいて、物理的にスケールした自動運転車のデジタル双対に対して実証的に比較する。 実験により,デジタル双子の故障予測において,デジタル兄弟によるアンサンブル故障予測器が個々のシミュレータよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-14T04:10:56Z)
• Construction of a Surrogate Model: Multivariate Time Series Prediction with a Hybrid Model [2.198430261120653]
  自動車グループはほとんどのテストを実行するためにシミュレータに頼っている。 常に改良されたタスクのためのシミュレータの信頼性が問題となっている。 テストの数を増やすために、業界は現在代理モデルを開発している。
  論文  参考訳（メタデータ） (2022-12-15T15:52:18Z)
• Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
  本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。 まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。 我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
  論文  参考訳（メタデータ） (2022-06-22T19:33:21Z)
• Metaphorical User Simulators for Evaluating Task-oriented Dialogue Systems [80.77917437785773]
  タスク指向対話システム(TDS)は、主にオフラインまたは人間による評価によって評価される。 本稿では,エンド・ツー・エンドのTDS評価のためのメタファ型ユーザシミュレータを提案する。 また,異なる機能を持つ対話システムなどの変種を生成するためのテスタベースの評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-02T05:11:03Z)
• Finding Failures in High-Fidelity Simulation using Adaptive Stress Testing and the Backward Algorithm [35.076062292062325]
  適応ストレステスト(アダプティブストレステスト、英: Adaptive stress testing、AST)は、強化学習を用いてシステムの最も起こりそうな障害を見つける手法である。 深い強化学習の解法を持つASTは、様々なシステムにまたがる障害を見つけるのに有効であることが示されている。 効率を向上させるために,まず低忠実度シミュレータで故障を検知する手法を提案する。 次に、単一の専門家によるデモンストレーションを使用してディープニューラルネットワークポリシーをトレーニングするバックワードアルゴリズムを使用して、低忠実度障害を高忠実度に適応させる。
  論文  参考訳（メタデータ） (2021-07-27T16:54:04Z)
• 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)
• Digital Twins Are Not Monozygotic -- Cross-Replicating ADAS Testing in Two Industry-Grade Automotive Simulators [13.386879259549305]
  SBSTは2つのシミュレータで重要なテストシナリオを効率的かつ効率的に生成できることを示した。 2つのシミュレータで同じテストシナリオを実行すると、テスト出力の詳細に顕著な違いが生じることが分かりました。
  論文  参考訳（メタデータ） (2020-12-12T14:00:33Z)
• 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)

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。