論文の概要: On-Demand Scenario Generation for Testing Automated Driving Systems

• arxiv url: http://arxiv.org/abs/2505.14053v1
• Date: Tue, 20 May 2025 07:55:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.873992
• Title: On-Demand Scenario Generation for Testing Automated Driving Systems
• Title（参考訳）: 自動走行システムテストのためのオンデマンドシナリオ生成
• Authors: Songyang Yan, Xiaodong Zhang, Kunkun Hao, haojie xin, Yonggang Luo, Jucheng Yang, Ming Fan, Chao Yang, Jun Sun, Zijiang Yang,
• Abstract要約: リスクレベルが異なる多様なシナリオを生成するために,オンデマンドシナリオ生成フレームワーク(OSG)を提案する。 OSGは現実世界のトラフィックデータセットから学び、リスクレベルを定量的に制御するためにリスク強度レギュレータを使用している。 リスクレベルの事故タイプを比較することで,OSGの必要性を実証する。
• 参考スコア（独自算出の注目度）: 7.103501897220451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The safety and reliability of Automated Driving Systems (ADS) are paramount, necessitating rigorous testing methodologies to uncover potential failures before deployment. Traditional testing approaches often prioritize either natural scenario sampling or safety-critical scenario generation, resulting in overly simplistic or unrealistic hazardous tests. In practice, the demand for natural scenarios (e.g., when evaluating the ADS's reliability in real-world conditions), critical scenarios (e.g., when evaluating safety in critical situations), or somewhere in between (e.g., when testing the ADS in regions with less civilized drivers) varies depending on the testing objectives. To address this issue, we propose the On-demand Scenario Generation (OSG) Framework, which generates diverse scenarios with varying risk levels. Achieving the goal of OSG is challenging due to the complexity of quantifying the criticalness and naturalness stemming from intricate vehicle-environment interactions, as well as the need to maintain scenario diversity across various risk levels. OSG learns from real-world traffic datasets and employs a Risk Intensity Regulator to quantitatively control the risk level. It also leverages an improved heuristic search method to ensure scenario diversity. We evaluate OSG on the Carla simulators using various ADSs. We verify OSG's ability to generate scenarios with different risk levels and demonstrate its necessity by comparing accident types across risk levels. With the help of OSG, we are now able to systematically and objectively compare the performance of different ADSs based on different risk levels.
• Abstract（参考訳）: ADS(Automated Driving Systems)の安全性と信頼性は最重要であり、デプロイ前に潜在的な障害を明らかにするために厳格なテスト手法が必要である。 従来のテストアプローチでは、自然シナリオサンプリングか安全クリティカルなシナリオ生成のいずれかを優先し、過度に単純化されたり、非現実的な有害なテストを行う。 現実には、自然シナリオ(実世界の状況におけるADSの信頼性を評価する場合など)、クリティカルシナリオ(臨界状況における安全性を評価する場合など)、あるいは、テスト目標に応じて、(文明化の少ない領域におけるADSのテストを行う場合など)間のどこかで需要が変化する。 この問題に対処するために,さまざまなリスクレベルのシナリオを生成するオンデマンドシナリオ生成(OSG)フレームワークを提案する。 OSGの目標は、複雑な車と環境の相互作用に起因する臨界性と自然性の定量化の複雑さと、さまざまなリスクレベルにわたるシナリオの多様性を維持することにある。 OSGは現実世界のトラフィックデータセットから学び、リスクレベルを定量的に制御するためにリスク強度レギュレータを使用している。 また、改良されたヒューリスティック検索手法を活用し、シナリオの多様性を保証する。 各種ADSを用いてカーラシミュレータ上でOSGを評価する。 リスクレベルの異なるシナリオを生成するOSGの能力を検証するとともに、リスクレベルの事故タイプを比較することで、その必要性を実証する。 OSGの助けを借りて、さまざまなリスクレベルに基づいて異なるADSのパフォーマンスを体系的に客観的に比較できるようになりました。

関連論文リスト

• EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)
• 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)
• GOOSE: Goal-Conditioned Reinforcement Learning for Safety-Critical Scenario Generation [0.14999444543328289]
  ゴール条件付きシナリオ生成(Goal-conditioned Scenario Generation、GOOSE)は、ゴール条件付き強化学習(RL)アプローチで、安全クリティカルなシナリオを自動的に生成する。 安全クリティカルな事象につながるシナリオを生成する上でのGOOSEの有効性を実証する。
  論文  参考訳（メタデータ） (2024-06-06T08:59:08Z)
• Risk Scenario Generation for Autonomous Driving Systems based on Causal Bayesian Networks [4.172581773205466]
  自律運転システム(ADS)におけるシナリオ生成のためのCausal Bayesian Networks(CBN)の利用に向けた新しいパラダイムシフトを提案する。 CBNはメリーランドの事故データを用いて構築され、検証されており、自律運転行動に影響を与える無数の要因について深い洞察を提供する。 CARLAシミュレータを用いて,ADSのエンドツーエンドテストフレームワークを構築した。
  論文  参考訳（メタデータ） (2024-05-25T05:26:55Z)
• RiskBench: A Scenario-based Benchmark for Risk Identification [4.263035319815899]
  この研究は、リスク識別、ダイナミックなトラフィック参加者と予期せぬイベントから生じるリスクを特定し分析するプロセスに焦点を当てている。 リスク識別のための大規模シナリオベースベンチマークである textbfRiskBench を紹介する。 我々は,(1)リスクの検出と発見,(2)リスクの予測,(3)意思決定の促進を行う10のアルゴリズムの能力を評価する。
  論文  参考訳（メタデータ） (2023-12-04T06:21:22Z)
• 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)
• 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。