論文の概要: Towards Benchmarking and Assessing the Safety and Robustness of Autonomous Driving on Safety-critical Scenarios
- arxiv url: http://arxiv.org/abs/2503.23708v2
- Date: Mon, 07 Apr 2025 08:26:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-08 13:54:09.001453
- Title: Towards Benchmarking and Assessing the Safety and Robustness of Autonomous Driving on Safety-critical Scenarios
- Title（参考訳）: 安全クリティカルシナリオにおける自律運転の安全性とロバスト性評価のベンチマーク化に向けて
- Authors: Jingzheng Li, Xianglong Liu, Shikui Wei, Zhijun Chen, Bing Li, Qing Guo, Xianqi Yang, Yanjun Pu, Jiakai Wang,
- Abstract要約: 自律運転の現在の評価は、通常、自然運転のシナリオで行われる。
多くの事故は、安全クリティカルシナリオとしても知られるエッジケースで発生することが多い。
現在、安全クリティカルなシナリオを構成するものを明確に定義していない。
- 参考スコア（独自算出の注目度）: 30.413293630867418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous driving has made significant progress in both academia and industry, including performance improvements in perception task and the development of end-to-end autonomous driving systems. However, the safety and robustness assessment of autonomous driving has not received sufficient attention. Current evaluations of autonomous driving are typically conducted in natural driving scenarios. However, many accidents often occur in edge cases, also known as safety-critical scenarios. These safety-critical scenarios are difficult to collect, and there is currently no clear definition of what constitutes a safety-critical scenario. In this work, we explore the safety and robustness of autonomous driving in safety-critical scenarios. First, we provide a definition of safety-critical scenarios, including static traffic scenarios such as adversarial attack scenarios and natural distribution shifts, as well as dynamic traffic scenarios such as accident scenarios. Then, we develop an autonomous driving safety testing platform to comprehensively evaluate autonomous driving systems, encompassing not only the assessment of perception modules but also system-level evaluations. Our work systematically constructs a safety verification process for autonomous driving, providing technical support for the industry to establish standardized test framework and reduce risks in real-world road deployment.
- Abstract（参考訳）: 自律運転は、認識タスクのパフォーマンス向上やエンドツーエンドの自動運転システムの開発など、学術と産業の両方で大きな進歩を遂げている。
しかし、自動運転の安全性と堅牢性の評価には十分な注意が払われていない。
自律運転の現在の評価は、通常、自然運転のシナリオで行われる。
しかしながら、多くの事故は、安全クリティカルシナリオとしても知られるエッジケースで発生することが多い。
これらの安全クリティカルなシナリオは収集が難しく、現在、安全クリティカルなシナリオを構成するものを明確に定義していません。
本研究では,安全クリティカルなシナリオにおける自動運転の安全性と堅牢性について検討する。
まず、敵攻撃シナリオや自然分布シフトのような静的なトラフィックシナリオや、事故シナリオのような動的トラフィックシナリオを含む、安全クリティカルなシナリオを定義します。
そこで我々は,認識モジュールの評価だけでなく,システムレベルの評価も含む自律運転システムの総合的な評価を行う自律運転安全試験プラットフォームを開発した。
本研究は,自動運転の安全性検証プロセスを体系的に構築し,標準化されたテストフレームワークの確立と現実の道路配置のリスク低減を実現するための技術支援を行う。
関連論文リスト
- AuthSim: Towards Authentic and Effective Safety-critical Scenario Generation for Autonomous Driving Tests [18.814993626601193]
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。
論文 参考訳（メタデータ） (2025-02-28T14:38:35Z) - SafeDrive: Knowledge- and Data-Driven Risk-Sensitive Decision-Making for Autonomous Vehicles with Large Language Models [14.790308656087316]
SafeDriveは、自律運転の安全性と適応性を高めるための、知識とデータ駆動型リスクに敏感な意思決定フレームワークである。
知識駆動型洞察と適応学習機構を統合することにより、不確実な条件下での堅牢な意思決定を保証する。
論文 参考訳（メタデータ） (2024-12-17T16:45:27Z) - Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。
AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
論文 参考訳（メタデータ） (2024-05-14T09:42:21Z) - RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。
提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文 参考訳（メタデータ） (2024-05-07T23:32:36Z) - Safety Implications of Explainable Artificial Intelligence in End-to-End Autonomous Driving [4.1636282808157254]
本稿では,エンド・ツー・エンドの自動運転における説明の安全性への影響について述べる。
我々はまず、エンド・ツー・エンドの運転における安全と説明可能性の概念を再考し、また、自動運転の安全性向上における説明の要点を示す。
論文 参考訳（メタデータ） (2024-03-18T18:49:20Z) - Safety-aware Causal Representation for Trustworthy Offline Reinforcement
Learning in Autonomous Driving [33.672722472758636]
オフライン強化学習(RL)アプローチは、オフラインデータセットからのシーケンシャルな意思決定問題に対処する上で、顕著な効果を示す。
一般化可能なエンドツーエンド駆動ポリシの学習を容易にするために,saFety-aware strUctured Scenario representation (Fusion)を導入した。
様々な運転シナリオにおける実証的な証拠は、フュージョンが自律運転エージェントの安全性と一般化性を著しく向上させることを証明している。
論文 参考訳（メタデータ） (2023-10-31T18:21:24Z) - 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) - Evaluation of Safety Constraints in Autonomous Navigation with Deep
Reinforcement Learning [62.997667081978825]
学習可能なナビゲーションポリシとして,セーフとアンセーフの2つを比較します。
安全なポリシは、制約をアカウントに含めますが、もう一方はそうではありません。
安全政策は、よりクリアランスの高い軌道を生成することができ(障害物によらず)、全体的な性能を犠牲にすることなく、トレーニング中に衝突を減らすことができることを示す。
論文 参考訳（メタデータ） (2023-07-27T01:04:57Z) - Evaluation of Pedestrian Safety in a High-Fidelity Simulation Environment Framework [21.456269382916062]
本稿では,自動運転のための歩行者安全評価手法を提案する。
歩行者の安全に重要な特徴を組み込んだ高忠実度シミュレーションフレームワークを構築した。
提案手法とフレームワークは、異なる自律運転アルゴリズムにアクセスできる。
論文 参考訳（メタデータ） (2022-10-17T03:53:50Z) - Differentiable Control Barrier Functions for Vision-based End-to-End
Autonomous Driving [100.57791628642624]
本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。
我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
論文 参考訳（メタデータ） (2022-03-04T16:14:33Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - AdvSim: Generating Safety-Critical Scenarios for Self-Driving Vehicles [76.46575807165729]
我々は,任意のLiDARベースの自律システムに対して,安全クリティカルなシナリオを生成するための,敵対的フレームワークであるAdvSimを提案する。
センサデータから直接シミュレートすることにより、完全な自律スタックに対して安全クリティカルな敵シナリオを得る。
論文 参考訳（メタデータ） (2021-01-16T23:23:12Z)
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。