論文の概要: Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2505.16214v2
• Date: Fri, 30 May 2025 04:11:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 15:03:35.141531
• Title: Behavioral Safety Assessment towards Large-scale Deployment of Autonomous Vehicles
• Title（参考訳）: 自動運転車の大規模展開に向けた行動安全評価
• Authors: Henry X. Liu, Xintao Yan, Haowei Sun, Tinghan Wang, Zhijie Qiao, Haojie Zhu, Shengyin Shen, Shuo Feng, Greg Stevens, Greg McGuire,
• Abstract要約: 自動運転車(AV)の行動安全へのパラダイムシフトを提案する。 本稿では,運転免許試験と運転情報検査の2つの相補的な評価要素を含む,サードパーティのAV安全性評価フレームワークを紹介する。 シミュレーション環境とミシガン大学のMcity Testing Facilityの物理的テストトラックの両方で,オープンソースのLevel 4 AVであるtexttAutoware.Universeを検証した。
• 参考スコア（独自算出の注目度）: 6.846750893175613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous vehicles (AVs) have significantly advanced in real-world deployment in recent years, yet safety continues to be a critical barrier to widespread adoption. Traditional functional safety approaches, which primarily verify the reliability, robustness, and adequacy of AV hardware and software systems from a vehicle-centric perspective, do not sufficiently address the AV's broader interactions and behavioral impact on the surrounding traffic environment. To overcome this limitation, we propose a paradigm shift toward behavioral safety, a comprehensive approach focused on evaluating AV responses and interactions within traffic environment. To systematically assess behavioral safety, we introduce a third-party AV safety assessment framework comprising two complementary evaluation components: Driver Licensing Test and Driving Intelligence Test. The Driver Licensing Test evaluates AV's reactive behaviors under controlled scenarios, ensuring basic behavioral competency. In contrast, the Driving Intelligence Test assesses AV's interactive behaviors within naturalistic traffic conditions, quantifying the frequency of safety-critical events to deliver statistically meaningful safety metrics before large-scale deployment. We validated our proposed framework using \texttt{Autoware.Universe}, an open-source Level 4 AV, tested both in simulated environments and on the physical test track at the University of Michigan's Mcity Testing Facility. The results indicate that \texttt{Autoware.Universe} passed 6 out of 14 scenarios and exhibited a crash rate of 3.01e-3 crashes per mile, approximately 1,000 times higher than average human driver crash rate. During the tests, we also uncovered several unknown unsafe scenarios for \texttt{Autoware.Universe}. These findings underscore the necessity of behavioral safety evaluations for improving AV safety performance prior to widespread public deployment.
• Abstract（参考訳）: 近年、自動運転車(AV)は現実の展開において著しく進歩しているが、安全は広く普及するための重要な障壁であり続けている。 従来の機能安全アプローチは、主に車両中心の観点からAVハードウェアとソフトウェアシステムの信頼性、堅牢性、妥当性を検証するものであり、周囲の交通環境に対するAVのより広範な相互作用と行動的影響に十分に対処するものではない。 この制限を克服するために,交通環境におけるAV応答と相互作用の評価に焦点をあてた包括的アプローチである行動安全へのパラダイムシフトを提案する。 行動安全を体系的に評価するために,運転免許試験と運転情報検査という2つの相補的評価要素からなる第三者のAV安全評価フレームワークを導入する。 運転免許試験は、制御されたシナリオ下でのAVの反応性行動を評価し、基本的な行動能力を保証する。 対照的に、ドライビング・インテリジェンス・テストは、自然主義的な交通条件下でのAVの対話的行動を評価し、安全クリティカルな事象の頻度を定量化し、大規模展開の前に統計的に意味のある安全指標を提供する。 シミュレーション環境とミシガン大学のMcity Testing Facilityの物理的テストトラックの両方で、オープンソースのLevel 4 AVである‘texttt{Autoware.Universe}を使って、提案したフレームワークを検証した。 結果から, <texttt{Autoware.Universe} は14シナリオ中6シナリオをパスし, 平均走行速度の約1,000倍の3.01e-3のクラッシュ速度を示した。 テスト中、未知のunsafeのシナリオがいくつか発見されました。 これらの結果は,広く普及する公的な展開に先立って,AV安全性能向上のための行動安全評価の必要性を浮き彫りにした。

関連論文リスト

• Impact Analysis of Inference Time Attack of Perception Sensors on Autonomous Vehicles [11.693109854958479]
  自動運転車の予測時間攻撃に基づく影響分析を提案する。 我々は,エゴ車両と他の交通機関の双方の安全を脅かすために,そのような推定時間攻撃をシミュレーションシステムで実証する。
  論文  参考訳（メタデータ） (2025-05-05T23:00:27Z)
• 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)
• A novel framework for adaptive stress testing of autonomous vehicles in highways [3.2112502548606825]
  高速道路交通のシナリオにおいて,安全上の懸念を生じさせるようなコーナーケースを探索する新しい枠組みを提案する。 衝突確率推定に基づいて衝突シナリオを識別する際のASTを導出するDRLの新しい報奨関数を開発した。 提案するフレームワークは,より現実的なトラフィックシナリオの作成を可能にする,新たな駆動モデルとさらに統合されている。
  論文  参考訳（メタデータ） (2024-02-19T04:02:40Z)
• 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)
• 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)

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。