論文の概要: Safety2Drive: Safety-Critical Scenario Benchmark for the Evaluation of Autonomous Driving

• arxiv url: http://arxiv.org/abs/2505.13872v1
• Date: Tue, 20 May 2025 03:27:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.652135
• Title: Safety2Drive: Safety-Critical Scenario Benchmark for the Evaluation of Autonomous Driving
• Title（参考訳）: Safety2Drive:自律運転評価のための安全批判シナリオベンチマーク
• Authors: Jingzheng Li, Tiancheng Wang, Xingyu Peng, Jiacheng Chen, Zhijun Chen, Bing Li, Xianglong Liu,
• Abstract要約: 自律運転(AD)システムの評価を目的とした安全クリティカルシナリオライブラリであるSafety2Driveを提案する。 Safety2Driveは、標準規則で要求されるテスト項目を包括的にカバーし、70のAD関数テスト項目を含む。 自然環境の腐敗や、カメラとLiDARセンサー間の敵攻撃など、安全上の脅威を注入する能力がある。
• 参考スコア（独自算出の注目度）: 21.709729470006675
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Autonomous Driving (AD) systems demand the high levels of safety assurance. Despite significant advancements in AD demonstrated on open-source benchmarks like Longest6 and Bench2Drive, existing datasets still lack regulatory-compliant scenario libraries for closed-loop testing to comprehensively evaluate the functional safety of AD. Meanwhile, real-world AD accidents are underrepresented in current driving datasets. This scarcity leads to inadequate evaluation of AD performance, posing risks to safety validation and practical deployment. To address these challenges, we propose Safety2Drive, a safety-critical scenario library designed to evaluate AD systems. Safety2Drive offers three key contributions. (1) Safety2Drive comprehensively covers the test items required by standard regulations and contains 70 AD function test items. (2) Safety2Drive supports the safety-critical scenario generalization. It has the ability to inject safety threats such as natural environment corruptions and adversarial attacks cross camera and LiDAR sensors. (3) Safety2Drive supports multi-dimensional evaluation. In addition to the evaluation of AD systems, it also supports the evaluation of various perception tasks, such as object detection and lane detection. Safety2Drive provides a paradigm from scenario construction to validation, establishing a standardized test framework for the safe deployment of AD.
• Abstract（参考訳）: 自律運転(AD)システムは高いレベルの安全保証を要求する。 ADの大幅な進歩は、Longest6やBench2Driveのようなオープンソースのベンチマークで示されたが、既存のデータセットには、ADの機能的安全性を包括的に評価するクローズループテストのための規制に準拠したシナリオライブラリがない。 一方、現実のAD事故は、現在の運転データセットでは表現できない。 この不足はAD性能の評価を不十分にし、安全性の検証と実際の展開にリスクを及ぼす。 これらの課題に対処するために,ADシステムの評価を目的とした安全クリティカルシナリオライブラリであるSafety2Driveを提案する。 Safety2Driveには3つの重要なコントリビューションがある。 1)Safety2Driveは、標準規則で要求されるテスト項目を包括的にカバーし、70個のAD機能テスト項目を含む。 2)Safety2Driveは安全クリティカルシナリオの一般化をサポートする。 自然環境の腐敗や、カメラとLiDARセンサー間の敵攻撃など、安全上の脅威を注入する能力がある。 (3)Safety2Driveは多次元評価をサポートする。 ADシステムの評価に加えて、物体検出や車線検出などの様々な知覚タスクの評価もサポートする。 Safety2Driveはシナリオ構築から検証までのパラダイムを提供し、ADの安全なデプロイのための標準化されたテストフレームワークを確立する。

関連論文リスト

• Towards Benchmarking and Assessing the Safety and Robustness of Autonomous Driving on Safety-critical Scenarios [30.413293630867418]
  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。
  論文  参考訳（メタデータ） (2025-03-31T04:13:32Z)
• 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)
• LMM-enhanced Safety-Critical Scenario Generation for Autonomous Driving System Testing From Non-Accident Traffic Videos [22.638869562921133]
  自律運転システムにとって、さまざまな安全クリティカルなテストシナリオを生成することが最重要である。 事故のない現実のシナリオの中には、ADSの誤動作を引き起こすだけでなく、ADS違反の発生にも活用できるものもある。 通常の交通シナリオからADSの安全違反を発見することが重要である。
  論文  参考訳（メタデータ） (2024-06-16T09:05:56Z)
• 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)
• When Authentication Is Not Enough: On the Security of Behavioral-Based Driver Authentication Systems [53.2306792009435]
  我々はランダムフォレストとリカレントニューラルネットワークアーキテクチャに基づく2つの軽量ドライバ認証システムを開発した。 我々は,SMARTCANとGANCANという2つの新しいエスケープアタックを開発することで,これらのシステムに対する攻撃を最初に提案する。 コントリビューションを通じて、これらのシステムを安全に採用する実践者を支援し、車の盗難を軽減し、ドライバーのセキュリティを高める。
  論文  参考訳（メタデータ） (2023-06-09T14:33:26Z)
• Invisible for both Camera and LiDAR: Security of Multi-Sensor Fusion based Perception in Autonomous Driving Under Physical-World Attacks [62.923992740383966]
  本稿では,MDFに基づくADシステムにおけるセキュリティ問題の最初の研究について述べる。 物理的に実現可能な逆3Dプリントオブジェクトを生成し、ADシステムが検出に失敗してクラッシュする。 以上の結果から,攻撃は様々なオブジェクトタイプおよびMSFに対して90%以上の成功率を達成した。
  論文  参考訳（メタデータ） (2021-06-17T05:11:07Z)

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。