論文の概要: ADPerf: Investigating and Testing Performance in Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2510.13078v1
- Date: Wed, 15 Oct 2025 01:45:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-16 20:13:28.466244
- Title: ADPerf: Investigating and Testing Performance in Autonomous Driving Systems
- Title（参考訳）: ADPerf: 自律運転システムにおける調査とテストのパフォーマンス
- Authors: Tri Minh-Triet Pham, Diego Elias Costa, Weiyi Shang, Jinqiu Yang,
- Abstract要約: 本稿では,2つの産業レベルの自律運転システムにおける障害物検出モジュールの性能測定とモデル化に関する総合的研究について紹介する。
私たちはADPerfを紹介します。ADPerfは、検出遅延の増加を露呈できる、現実的なポイントクラウドデータテストケースを生成するツールです。
本評価では, 障害物検出部品, 特に3次元障害物検出部品の性能試験の必要性を強調した。
- 参考スコア（独自算出の注目度）: 7.10115369804893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Obstacle detection is crucial to the operation of autonomous driving systems, which rely on multiple sensors, such as cameras and LiDARs, combined with code logic and deep learning models to detect obstacles for time-sensitive decisions. Consequently, obstacle detection latency is critical to the safety and effectiveness of autonomous driving systems. However, the latency of the obstacle detection module and its resilience to various changes in the LiDAR point cloud data are not yet fully understood. In this work, we present the first comprehensive investigation on measuring and modeling the performance of the obstacle detection modules in two industry-grade autonomous driving systems, i.e., Apollo and Autoware. Learning from this investigation, we introduce ADPerf, a tool that aims to generate realistic point cloud data test cases that can expose increased detection latency. Increasing latency decreases the availability of the detected obstacles and stresses the capabilities of subsequent modules in autonomous driving systems, i.e., the modules may be negatively impacted by the increased latency in obstacle detection. We applied ADPerf to stress-test the performance of widely used 3D obstacle detection modules in autonomous driving systems, as well as the propagation of such tests on trajectory prediction modules. Our evaluation highlights the need to conduct performance testing of obstacle detection components, especially 3D obstacle detection, as they can be a major bottleneck to increased latency of the autonomous driving system. Such an adverse outcome will also further propagate to other modules, reducing the overall reliability of autonomous driving systems.
- Abstract（参考訳）: 障害物検出は、カメラやLiDARなどの複数のセンサーに依存し、コードロジックとディープラーニングモデルを組み合わせることで、時間に敏感な決定のための障害を検出する自律運転システムの運用に不可欠である。
その結果、自律運転システムの安全性と有効性に障害検出遅延が重要となる。
しかし、障害検出モジュールのレイテンシとLiDARポイントクラウドデータのさまざまな変更に対するレジリエンスは、まだ完全には理解されていない。
本研究では,2つの産業レベルの自律運転システム(アポロとオートウェア)において,障害物検出モジュールの性能の測定とモデル化に関する総合的研究を行った。
この調査から学んだADPerfは,検出遅延の増加を顕在化する,現実的なポイントクラウドデータテストケースの生成を目的としたツールだ。
遅延の増大は検出された障害物の可用性を低下させ、後続の自律運転システムにおけるモジュールの能力を強調する。
我々はADPerfを用いて、自律走行システムにおいて広く使用されている3次元障害物検出モジュールの性能と、軌道予測モジュール上でのそのようなテストの伝搬をストレステストした。
本評価では, 自律運転システムの遅延増大のボトルネックとなるため, 障害物検出部品, 特に3次元障害物検出部品の性能試験の必要性を強調した。
このような有害な結果が他のモジュールにもさらに伝播し、自律運転システムの全体的な信頼性が低下する。
関連論文リスト
- Lane-Wise Highway Anomaly Detection [8.086502588472783]
本稿では,車線道路交通異常検出のためのスケーラブルかつ解釈可能なフレームワークを提案する。
従来のセンサ依存の手法とは異なり、我々の手法はAIを利用した視覚モデルを用いて車線固有の特徴を抽出する。
我々のフレームワークは、精度、リコール、F1スコアにおいて最先端の手法より優れています。
論文 参考訳（メタデータ） (2025-05-05T12:32:23Z) - On the Robustness Evaluation of 3D Obstacle Detection Against Specifications in Autonomous Driving [5.013456653983232]
仕様に基づく摂動に対する3次元障害物検出モデルのロバスト性は未評価のままである。
業界グレードのLevel 4 ADSを含む5つの古典的3次元障害物検出モデルのロバスト性を評価するためにETを適用した。
PCDの非常に微妙な変化(すなわち2点の除去)でさえ、オブジェクトの安全性の非自明な低下をもたらす可能性がある。
論文 参考訳（メタデータ） (2024-08-24T19:10:07Z) - Towards Automated Driving Violation Cause Analysis in Scenario-Based
Testing for Autonomous Driving Systems [22.872694649245044]
本稿では,運転違反原因分析(DVCA)ツールを提案する。
本ツールでは, 完全コンポーネントレベルの属性精度(100%), ほぼ完全なメッセージレベルの精度(>98%)を実現する。
論文 参考訳（メタデータ） (2024-01-19T01:12:37Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Verifiable Obstacle Detection [10.277825331268179]
既存のLiDARに基づく古典的障害物検出アルゴリズムの安全性検証を行う。
本研究では,実世界のセンサデータに基づく実験結果を用いて,障害物検出システムの厳密な解析を行う。
論文 参考訳（メタデータ） (2022-08-30T17:15:35Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z)
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。