論文の概要: Efficient Safety Testing of Autonomous Vehicles via Adaptive Search over Crash-Derived Scenarios

• arxiv url: http://arxiv.org/abs/2508.06575v1
• Date: Thu, 07 Aug 2025 13:55:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.449814
• Title: Efficient Safety Testing of Autonomous Vehicles via Adaptive Search over Crash-Derived Scenarios
• Title（参考訳）: 衝突発生シナリオに対する適応探索による自動運転車の効率的な安全試験
• Authors: Rui Zhou,
• Abstract要約: 本研究では,安全クリティカルシナリオにおけるAVの高速化テストアルゴリズムの設計に焦点をあてる。 Baidu Apolloは、高度なブラックボックス自動運転システム(ADS)を統合し、エゴ車の挙動を制御する。 ALVNS-SAを用いた場合, 試験効率は有意に向上した。
• 参考スコア（独自算出の注目度）: 6.000851091286008
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring the safety of autonomous vehicles (AVs) is paramount in their development and deployment. Safety-critical scenarios pose more severe challenges, necessitating efficient testing methods to validate AVs safety. This study focuses on designing an accelerated testing algorithm for AVs in safety-critical scenarios, enabling swift recognition of their driving capabilities. First, typical logical scenarios were extracted from real-world crashes in the China In-depth Mobility Safety Study-Traffic Accident (CIMSS-TA) database, obtaining pre-crash features through reconstruction. Second, Baidu Apollo, an advanced black-box automated driving system (ADS) is integrated to control the behavior of the ego vehicle. Third, we proposed an adaptive large-variable neighborhood-simulated annealing algorithm (ALVNS-SA) to expedite the testing process. Experimental results demonstrate a significant enhancement in testing efficiency when utilizing ALVNS-SA. It achieves an 84.00% coverage of safety-critical scenarios, with crash scenario coverage of 96.83% and near-crash scenario coverage of 92.07%. Compared to genetic algorithm (GA), adaptive large neighborhood-simulated annealing algorithm (ALNS-SA), and random testing, ALVNS-SA exhibits substantially higher coverage in safety-critical scenarios.
• Abstract（参考訳）: 自動運転車(AV)の安全性の確保は、開発と配備において最重要である。 安全クリティカルなシナリオは、AVの安全性を検証するために効率的なテスト手法を必要とする、より深刻な課題を引き起こす。 本研究は、安全クリティカルなシナリオにおけるAVの高速化テストアルゴリズムの設計に焦点をあて、その運転能力の迅速な認識を可能にする。 第一に、中国のIn-deepth Mobility Safety Study-Traffic Accident (CIMSS-TA)データベースにおける現実の事故から典型的な論理的シナリオが抽出され、復元によって事前クラッシュな特徴が得られた。 第二に、アドバンストブラックボックス自動運転システム(ADS)であるBaidu Apolloは、エゴ車の挙動を制御するために統合されている。 第3に, 適応型大変数近傍模擬焼鈍アルゴリズム (ALVNS-SA) を提案し, 試験工程を高速化した。 ALVNS-SAを用いた場合, 試験効率は有意に向上した。 安全上重要なシナリオの84.00%をカバーし、クラッシュシナリオの96.83%をカバーし、ほぼクラッシュなシナリオの97%をカバーしている。 遺伝的アルゴリズム(GA)や適応型大近傍アニーリングアルゴリズム(ALNS-SA)、ランダムテストと比較すると、ALVNS-SAは安全性クリティカルなシナリオにおいてかなり高いカバレッジを示す。

関連論文リスト

• Generating Critical Scenarios for Testing Automated Driving Systems [5.975915967339764]
  AVASTRAは、自律運転システムをテストするための現実的な重要なシナリオを生成するための強化学習ベースのアプローチである。 その結果、AVASTRAは、30%から115%の衝突シナリオを発生させることで、最先端のアプローチを上回る能力を示している。
  論文  参考訳（メタデータ） (2024-12-03T16:59:30Z)
• CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening [16.305837225117607]
  本稿では, CRASH - Challenging Reinforcement-learning based Adversarial scenarios for Safety Hardeningを紹介する。 第1のCRASHは、Ego車両との衝突を自動的に誘導するために、AVシミュレータ内のNon Player Character(NPC)エージェントを制御することができる。 我々はまた、敵エージェントに対する改善シナリオをシミュレートすることで、運動プランナーを反復的に洗練する安全硬化という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-26T00:00:27Z)
• PAFOT: A Position-Based Approach for Finding Optimal Tests of Autonomous Vehicles [4.243926243206826]
  本稿では位置に基づくアプローチテストフレームワークであるPAFOTを提案する。 PAFOTは、自動走行システムの安全違反を明らかにするために、敵の運転シナリオを生成する。 PAFOTはADSをクラッシュさせる安全クリティカルなシナリオを効果的に生成し、短いシミュレーション時間で衝突を見つけることができることを示す実験である。
  論文  参考訳（メタデータ） (2024-05-06T10:04:40Z)
• 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)
• Runtime Stealthy Perception Attacks against DNN-based Adaptive Cruise Control Systems [8.561553195784017]
  本稿では,実行時認識攻撃下での深層ニューラルネットワークを用いたACCシステムのセキュリティ評価を行う。 攻撃を誘発する最も重要な時間を選択するための文脈認識戦略を提案する。 提案攻撃の有効性を,実車,公用運転データセット,現実的なシミュレーションプラットフォームを用いて評価した。
  論文  参考訳（メタデータ） (2023-07-18T03:12:03Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)

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。