論文の概要: Multi-modal Traffic Scenario Generation for Autonomous Driving System Testing

• arxiv url: http://arxiv.org/abs/2505.14881v1
• Date: Tue, 20 May 2025 20:12:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.735365
• Title: Multi-modal Traffic Scenario Generation for Autonomous Driving System Testing
• Title（参考訳）: 自律運転システムテストのためのマルチモーダル交通シナリオ生成
• Authors: Zhi Tu, Liangkun Niu, Wei Fan, Tianyi Zhang,
• Abstract要約: TrafficComposerは、自律運転システム(ADS)テストのためのマルチモーダル交通シナリオ構築アプローチである。 CARLAやLGSVLなどのシミュレータで対応するトラフィックシナリオを生成する。 120のトラフィックシナリオのベンチマークでは、TrafficComposerは97.0%の精度を達成し、最高のパフォーマンスのベースラインを7.3%上回っている。
• 参考スコア（独自算出の注目度）: 10.518062593457351
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving systems (ADS) require extensive testing and validation before deployment. However, it is tedious and time-consuming to construct traffic scenarios for ADS testing. In this paper, we propose TrafficComposer, a multi-modal traffic scenario construction approach for ADS testing. TrafficComposer takes as input a natural language (NL) description of a desired traffic scenario and a complementary traffic scene image. Then, it generates the corresponding traffic scenario in a simulator, such as CARLA and LGSVL. Specifically, TrafficComposer integrates high-level dynamic information about the traffic scenario from the NL description and intricate details about the surrounding vehicles, pedestrians, and the road network from the image. The information from the two modalities is complementary to each other and helps generate high-quality traffic scenarios for ADS testing. On a benchmark of 120 traffic scenarios, TrafficComposer achieves 97.0% accuracy, outperforming the best-performing baseline by 7.3%. Both direct testing and fuzz testing experiments on six ADSs prove the bug detection capabilities of the traffic scenarios generated by TrafficComposer. These scenarios can directly discover 37 bugs and help two fuzzing methods find 33%--124% more bugs serving as initial seeds.
• Abstract（参考訳）: 自律運転システム(ADS)は、展開前に広範なテストと検証を必要とする。 しかし、ADSテストのためのトラフィックシナリオを構築するのは面倒で時間がかかる。 本稿では,ADSテストのためのマルチモーダル交通シナリオ構築手法であるTrafficComposerを提案する。 TrafficComposerは、所望のトラフィックシナリオと補完的なトラフィックシーンイメージの自然言語(NL)記述として入力される。 そして、CARLAやLGSVLなどのシミュレータで対応するトラフィックシナリオを生成する。 特に、TrafficComposerは、NLの説明から交通シナリオに関する高レベルな動的情報を統合し、画像から周囲の車両、歩行者、道路ネットワークに関する複雑な詳細を抽出する。 2つのモダリティからの情報は相互に補完的であり、ADSテストのための高品質なトラフィックシナリオを生成するのに役立ちます。 120のトラフィックシナリオのベンチマークでは、TrafficComposerは97.0%の精度を達成し、最高のパフォーマンスのベースラインを7.3%上回っている。 6つのADS上で直接テストとファズテストの両方が、TrafficComposerによって生成されたトラフィックシナリオのバグ検出機能を証明する。 これらのシナリオは37のバグを直接発見し、2つのファジリングメソッドが初期シードとして機能するバグを33%から124%見つけるのに役立つ。

関連論文リスト

• TrafficLLM: Enhancing Large Language Models for Network Traffic Analysis with Generic Traffic Representation [14.470174593447702]
  大規模言語モデル(LLM)は様々な領域で有望な性能を示している。 TrafficLLMは、生のトラフィックデータから一般的なトラフィック表現を学ぶための2段階の微調整フレームワークを導入している。 F1スコアは0.9875と0.9483で、既存の検出および生成方法よりも最大80.12%、33.92%性能が向上している。
  論文  参考訳（メタデータ） (2025-04-05T16:18:33Z)
• Towards Intelligent Transportation with Pedestrians and Vehicles In-the-Loop: A Surveillance Video-Assisted Federated Digital Twin Framework [62.47416496137193]
  本稿では,歩行者や車いすによるITSを支援するための監視ビデオ支援型デジタルツイン(SV-FDT)フレームワークを提案する。 i)複数のソースからトラフィック監視ビデオを収集するエンドレイヤ、(ii)セマンティックセグメンテーションに基づく視覚理解、ツインエージェントベースのインタラクションモデリング、およびローカルデジタルツインシステム(LDTS)をローカルで作成するエッジレイヤ、(iii)異なるリージョンにわたるLDTSを統合してグローバルDTモデルをリアルタイムで構築するクラウドレイヤの3層で構成されている。
  論文  参考訳（メタデータ） (2025-03-06T07:36:06Z)
• iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed Multi-Agent Reinforcement Learning [57.24340061741223]
  本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。 インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
  論文  参考訳（メタデータ） (2023-06-09T20:12:02Z)
• TARGET: Automated Scenario Generation from Traffic Rules for Testing Autonomous Vehicles via Validated LLM-Guided Knowledge Extraction [8.029974249105443]
  TARGETは、トラフィックルールからテストシナリオを自動的に生成するエンドツーエンドフレームワークである。 交通ルールから知識を抽出するために,Large Language Model (LLM) を利用する。 TARGETはシナリオをシミュレーションでレンダリングするために実行可能なスクリプトを合成する。
  論文  参考訳（メタデータ） (2023-05-10T10:04:08Z)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• Traffic Scene Parsing through the TSP6K Dataset [109.69836680564616]
  高品質なピクセルレベルのアノテーションとインスタンスレベルのアノテーションを備えた,TSP6Kと呼ばれる特殊なトラフィック監視データセットを導入する。 データセットは、既存の運転シーンの何倍ものトラフィック参加者を持つ、より混雑した交通シーンをキャプチャする。 交通シーンの異なるセマンティック領域の詳細を復元するシーン解析のためのディテールリフィニングデコーダを提案する。
  論文  参考訳（メタデータ） (2023-03-06T02:05:14Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)

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。