論文の概要: Query as Test: An Intelligent Driving Test and Data Storage Method for Integrated Cockpit-Vehicle-Road Scenarios

• arxiv url: http://arxiv.org/abs/2506.22068v1
• Date: Fri, 27 Jun 2025 09:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.163453
• Title: Query as Test: An Intelligent Driving Test and Data Storage Method for Integrated Cockpit-Vehicle-Road Scenarios
• Title（参考訳）: テストとしてのクエリ: Cockpit-Vehicle-Roadシナリオ統合のためのインテリジェント駆動テストとデータストレージ方法
• Authors: Shengyue Yao, Runqing Guo, Yangyang Qin, Miangbing Meng, Jipeng Cao, Yilun Lin, Yisheng Lv, Fei-Yue Wang,
• Abstract要約: 既存のテストメソッドはデータスタックに依存し、すべてのエッジケースをカバーすることができず、柔軟性がない。 クエリ・アズ・テスト(QaT)は、厳格で規範化されたテストケースから、柔軟でオンデマンドな論理的なクエリへと焦点を移します。 拡張シナリオ表記(ESN)は、新しい宣言型データフレームワークである。
• 参考スコア（独自算出の注目度）: 17.75264660582999
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the deep penetration of Artificial Intelligence (AI) in the transportation sector, intelligent cockpits, autonomous driving, and intelligent road networks are developing at an unprecedented pace. However, the data ecosystems of these three key areas are increasingly fragmented and incompatible. Especially, existing testing methods rely on data stacking, fail to cover all edge cases, and lack flexibility. To address this issue, this paper introduces the concept of "Query as Test" (QaT). This concept shifts the focus from rigid, prescripted test cases to flexible, on-demand logical queries against a unified data representation. Specifically, we identify the need for a fundamental improvement in data storage and representation, leading to our proposal of "Extensible Scenarios Notations" (ESN). ESN is a novel declarative data framework based on Answer Set Programming (ASP), which uniformly represents heterogeneous multimodal data from the cockpit, vehicle, and road as a collection of logical facts and rules. This approach not only achieves deep semantic fusion of data, but also brings three core advantages: (1) supports complex and flexible semantic querying through logical reasoning; (2) provides natural interpretability for decision-making processes; (3) allows for on-demand data abstraction through logical rules, enabling fine-grained privacy protection. We further elaborate on the QaT paradigm, transforming the functional validation and safety compliance checks of autonomous driving systems into logical queries against the ESN database, significantly enhancing the expressiveness and formal rigor of the testing. Finally, we introduce the concept of "Validation-Driven Development" (VDD), which suggests to guide developments by logical validation rather than quantitative testing in the era of Large Language Models, in order to accelerating the iteration and development process.
• Abstract（参考訳）: 人工知能(AI)の交通分野への深く浸透に伴い、インテリジェントコックピット、自動運転、インテリジェントな道路ネットワークは前例のないペースで発展している。 しかし、これらの3つの重要な領域のデータエコシステムは、ますます断片化され、互換性がない。 特に、既存のテストメソッドはデータスタックに依存し、すべてのエッジケースをカバーすることができず、柔軟性がない。 この問題に対処するため,本稿では,クエリ・アズ・テスト(QaT)の概念を紹介する。 この概念は、厳密で規範化されたテストケースから、フレキシブルでオンデマンドな論理クエリへと焦点を移します。 具体的には、データストレージと表現の根本的な改善の必要性を特定し、ESN(Extensible Scenarios Notations)を提案する。 ESN は Answer Set Programming (ASP) に基づいた,新しい宣言型データフレームワークである。 このアプローチは、データの深いセマンティック融合を実現するだけでなく、(1)論理的推論による複雑で柔軟なセマンティッククエリのサポート、(2)決定プロセスの自然な解釈性、(3)論理的ルールによるオンデマンドデータの抽象化、そして、きめ細かいプライバシー保護の3つの主要な利点ももたらします。 さらに、自律運転システムの機能検証と安全コンプライアンスチェックをESNデータベースに対する論理的クエリに変換することで、QaTパラダイムをさらに詳しく検討し、テストの表現性と形式的厳密性を大幅に向上させる。 最後に、大規模言語モデルの時代における定量的テストよりも論理的検証による開発を指導し、反復と開発プロセスの高速化を図ったVDD(Validation-Driven Development)の概念を紹介します。

関連論文リスト

• An Empirical study on LLM-based Log Retrieval for Software Engineering Metadata Management [1.8570591025615453]
  本稿では,信号ログデータとテストドライブからの映像記録を組み合わせたLarge Language Model (LLM) を用いたアプローチを提案する。 クエリ結果の信頼性を評価するために定量的なメトリクスを提供する。 オープンな産業データセットの評価は、シナリオ検索における効率性と信頼性の向上を示す。
  論文  参考訳（メタデータ） (2025-06-13T10:40:23Z)
• DriveLMM-o1: A Step-by-Step Reasoning Dataset and Large Multimodal Model for Driving Scenario Understanding [76.3876070043663]
  自律運転のための段階的視覚的推論を推し進めるためのデータセットとベンチマークであるDriveLMM-o1を提案する。 私たちのベンチマークでは、トレーニングセットに18k以上のVQAサンプル、テストセットに4k以上、知覚、予測、計画に関するさまざまな質問をカバーしています。 我々のモデルは、最終回答精度が+7.49%向上し、以前の最高のオープンソースモデルよりも3.62%向上した。
  論文  参考訳（メタデータ） (2025-03-13T17:59:01Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• TARGA: Targeted Synthetic Data Generation for Practical Reasoning over Structured Data [9.390415313514762]
  TARGAは、手動のアノテーションなしで高関連性合成データを生成するフレームワークである。 これは、クローズソースモデルを使用する既存の非微調整手法よりも大幅に優れている。 非I.I.D.設定下では、優れたサンプル効率、堅牢性、一般化能力を示す。
  論文  参考訳（メタデータ） (2024-12-27T09:16:39Z)
• Thought-Path Contrastive Learning via Premise-Oriented Data Augmentation for Logical Reading Comprehension [9.67774998354062]
  これまでの研究は主に、Chain-of-Thought(CoT)やデータ拡張による論理的推論能力の向上に重点を置いてきた。 本稿では,CoTの論理式を生成するためのPODA(Premise-Oriented Data Augmentation)フレームワークを提案する。 また,本論文では,原案と反実例の推論経路を比較検討する新たな思考経路コントラスト学習手法についても紹介する。
  論文  参考訳（メタデータ） (2024-09-22T15:44:43Z)
• ACE: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  我々は、エンドツーエンドのクロスモーダル検索のための先駆的なジェネリッククロスモーダル rEtrieval framework (ACE) を提案する。 ACEは、クロスモーダル検索における最先端のパフォーマンスを達成し、Recall@1の強いベースラインを平均15.27%上回る。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• Trusta: Reasoning about Assurance Cases with Formal Methods and Large Language Models [4.005483185111992]
  Trustworthiness Derivation Tree Analyzer (Trusta)は、TDTを自動構築し検証するデスクトップアプリケーションである。 バックエンドにはPrologインタプリタが内蔵されており、制約解決器Z3とMONAによってサポートされている。 Trustaは自然言語のテキストから形式的な制約を抽出し、解釈と検証を容易にする。
  論文  参考訳（メタデータ） (2023-09-22T15:42:43Z)
• A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
  トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。 先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。 本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
  論文  参考訳（メタデータ） (2023-06-05T01:01:12Z)
• Utilizing Background Knowledge for Robust Reasoning over Traffic Situations [63.45021731775964]
  我々は、インテリジェントトランスポーテーションの補完的な研究側面である交通理解に焦点を当てる。 本研究は,豊富なコモンセンス知識を前提として,テキストベースの手法とデータセットを対象とする。 交通状況に対するゼロショットQAには3つの知識駆動アプローチを採用しています。
  論文  参考訳（メタデータ） (2022-12-04T09:17:24Z)

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。