論文の概要: CORTEX-AVD: CORner Case Testing & EXploration for Autonomous Vehicles Development

• arxiv url: http://arxiv.org/abs/2504.03989v2
• Date: Tue, 08 Apr 2025 13:52:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:29:01.876371
• Title: CORTEX-AVD: CORner Case Testing & EXploration for Autonomous Vehicles Development
• Title（参考訳）: CORTEX-AVD:CORner Case Testing and Exploration for autonomous Vehicles Development
• Authors: Gabriel Kenji Godoy Shimanuki, Alexandre Moreira Nascimento, Lucio Flavio Vismari, Joao Batista Camargo Junior, Jorge Rady de Almeida Junior, Paulo Sergio Cugnasca,
• Abstract要約: CARLA Simulator と Scenic を統合し,Corner Cases を自動生成するオープンソースフレームワークである CORTEX-AVD を紹介する。 距離、時間、速度、衝突確率などの変数を考慮に入れた多要素適合関数が組み込まれている。 実験の結果, CORTEX-AVD フレームワークは, 使用済みシミュレーションの割合を減らしながら, CC の発生率を著しく向上させることがわかった。
• 参考スコア（独自算出の注目度）: 38.07210302881341
• License:
• Abstract: Autonomous Vehicles (AVs) aim to improve traffic safety and efficiency by reducing human error. However, ensuring AVs reliability and safety is a challenging task when rare, high-risk traffic scenarios are considered. These 'Corner Cases' (CC) scenarios, such as unexpected vehicle maneuvers or sudden pedestrian crossings, must be safely and reliable dealt by AVs during their operations. But they arehard to be efficiently generated. Traditional CC generation relies on costly and risky real-world data acquisition, limiting scalability, and slowing research and development progress. Simulation-based techniques also face challenges, as modeling diverse scenarios and capturing all possible CCs is complex and time-consuming. To address these limitations in CC generation, this research introduces CORTEX-AVD, CORner Case Testing & EXploration for Autonomous Vehicles Development, an open-source framework that integrates the CARLA Simulator and Scenic to automatically generate CC from textual descriptions, increasing the diversity and automation of scenario modeling. Genetic Algorithms (GA) are used to optimize the scenario parameters in six case study scenarios, increasing the occurrence of high-risk events. Unlike previous methods, CORTEX-AVD incorporates a multi-factor fitness function that considers variables such as distance, time, speed, and collision likelihood. Additionally, the study provides a benchmark for comparing GA-based CC generation methods, contributing to a more standardized evaluation of synthetic data generation and scenario assessment. Experimental results demonstrate that the CORTEX-AVD framework significantly increases CC incidence while reducing the proportion of wasted simulations.
• Abstract（参考訳）: 自律走行車(AV)は、人間のミスを減らすことで交通安全と効率を改善することを目的としている。 しかし、AVの信頼性と安全性を確保することは、稀でリスクの高い交通シナリオを考慮した場合の課題である。 予期せぬ車両の操縦や突然の歩行者横断といった「コラー・ケース(CC)」のシナリオは、運用中にAVによって安全かつ確実に対処されなければならない。 しかし、それらが効率的に生成されることは難しい。 従来のCC生成は、コストが高くリスクの高い実世界のデータ取得、スケーラビリティの制限、研究開発の進捗の鈍化に依存している。 シミュレーションベースのテクニックは、さまざまなシナリオをモデリングし、可能なすべてのCCをキャプチャすることは複雑で時間を要するため、課題にも直面する。 CC生成におけるこれらの制限を解決するために,CARLAシミュレータとScenicを統合したオープンソースのフレームワークであるCORTEX-AVD,CORner Case Testing & Exploration for autonomous Vehicles Developmentを導入する。 遺伝的アルゴリズム(GA)は6つのケーススタディシナリオにおけるシナリオパラメータの最適化に使われ、リスクの高い事象の発生が増加する。 従来の方法とは異なり、CORTEX-AVDは距離、時間、速度、衝突確率などの変数を考慮した多要素適合関数を組み込んでいる。 さらに、この研究は、GAベースのCC生成法を比較するためのベンチマークを提供し、合成データ生成とシナリオアセスメントのより標準化された評価に寄与する。 実験の結果, CORTEX-AVD フレームワークは, 使用済みシミュレーションの割合を減らしながら, CC の発生率を著しく向上させることがわかった。

関連論文リスト

• Generating Critical Scenarios for Testing Automated Driving Systems [5.975915967339764]
  AVASTRAは、自律運転システムをテストするための現実的な重要なシナリオを生成するための強化学習ベースのアプローチである。 その結果、AVASTRAは、30%から115%の衝突シナリオを発生させることで、最先端のアプローチを上回る能力を示している。
  論文  参考訳（メタデータ） (2024-12-03T16:59:30Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [60.05963742334746]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• 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)
• RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
  RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。 RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。 このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
  論文  参考訳（メタデータ） (2023-12-19T23:11:06Z)
• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
  Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。 Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。 猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
  論文  参考訳（メタデータ） (2023-10-19T02:49:31Z)
• Continual Driving Policy Optimization with Closed-Loop Individualized Curricula [2.903150959383393]
  閉ループ個別化カリキュラム(CLIC)を特徴とする連続運転ポリシー最適化フレームワークを開発した。 CLICは衝突予測タスクとしてAV評価をフレーム化し、各イテレーションでこれらのシナリオでAV障害が起こる確率を見積もる。 CLICは他のカリキュラムベースのトレーニング戦略を超越し、リスクのあるシナリオの管理を大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2023-09-25T15:14:54Z)
• CausalAF: Causal Autoregressive Flow for Safety-Critical Driving Scenario Generation [34.45216283597149]
  フローベース生成フレームワークCausal Autoregressive Flow(CausalAF)を提案する。 CausalAFは生成モデルに対して、生成されたオブジェクト間の因果関係を発見し、追跡することを奨励する。 生成したシナリオを追加のトレーニングサンプルとして使用することで、自律運転アルゴリズムの堅牢性を実証的に改善することを示す。
  論文  参考訳（メタデータ） (2021-10-26T18:07:48Z)
• 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)
• Corner Case Generation and Analysis for Safety Assessment of Autonomous Vehicles [3.673699859949693]
  意思決定システムのための一貫した枠組みが提案されている。 背景車両の挙動を学習するために, 深部強化学習技術を適用した。 学習されたポリシーでは、BVはより積極的にCAVと対話し、より多くのコーナーケースをもたらす。
  論文  参考訳（メタデータ） (2021-02-06T02:48:23Z)

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。