論文の概要: Querying Labeled Time Series Data with Scenario Programs

• arxiv url: http://arxiv.org/abs/2511.10627v1
• Date: Fri, 14 Nov 2025 02:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.962897
• Title: Querying Labeled Time Series Data with Scenario Programs
• Title（参考訳）: シナリオプログラムによるラベル付き時系列データ検索
• Authors: Edward Kim, Devan Shanker, Varun Bharadwaj, Hongbeen Park, Jinkyu Kim, Hazem Torfah, Daniel J Fremont, Sanjit A Seshia,
• Abstract要約: シミュレーションベースのテストは、サイバー物理システムの安全性を確保するための道路テストの重要な補完となっている。 シミュレーション環境における障害シナリオの特定に向けた研究が進められている。 実世界の実システムの再現可能なシミュレーションにおいて、AV故障シナリオは見つかるか?
• 参考スコア（独自算出の注目度）: 16.919240746807812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based testing has become a crucial complement to road testing for ensuring the safety of cyber physical systems (CPS). As a result, significant research efforts have been directed toward identifying failure scenarios within simulation environments. However, a critical question remains. Are the AV failure scenarios discovered in simulation reproducible on actual systems in the real world? The sim-to-real gap caused by differences between simulated and real sensor data means that failure scenarios identified in simulation might either be artifacts of synthetic sensor data or actual issues that also occur with real sensor data. To address this, an effective approach to validating simulated failure scenarios is to locate occurrences of these scenarios within real-world datasets and verify whether the failure persists on the datasets. To this end, we introduce a formal definition of how labeled time series sensor data can match an abstract scenario, represented as a scenario program using the Scenic probabilistic programming language. We present a querying algorithm that, given a scenario program and a labeled dataset, identifies the subset of data that matches the specified scenario. Our experiment shows that our algorithm is more accurate and orders of magnitude faster in querying scenarios than the state-of-the-art commercial vision large language models, and can scale with the duration of queried time series data.
• Abstract（参考訳）: シミュレーションベースのテストは、サイバー物理システム(CPS)の安全性を確保するための道路テストの重要な補完となっている。 その結果,シミュレーション環境における障害シナリオの特定に向けた研究が盛んに行われている。 しかし、重要な疑問が残る。 実世界の実際のシステム上で再現可能か? シミュレーションされたセンサーデータと実際のセンサーデータの違いによるシミュレートと現実のギャップは、シミュレーションで特定された障害シナリオは、合成センサーデータのアーティファクトか、実際のセンサーデータで発生する実際の問題のいずれかである。 これを解決するために、シミュレーションされた障害シナリオを検証する効果的なアプローチは、これらのシナリオの発生を現実のデータセット内で見つけ、その障害がデータセットに持続するかどうかを検証することである。 そこで本研究では,Sciic Probabilistic Language を用いたシナリオプログラムとして表現された,ラベル付き時系列センサデータが抽象シナリオとどのように一致するかを,形式的に定義する。 シナリオプログラムとラベル付きデータセットが与えられた場合、指定されたシナリオにマッチするデータのサブセットを識別するクエリアルゴリズムを提案する。 我々の実験により,我々のアルゴリズムは,現在最先端の商用ビジョンである大規模言語モデルよりも,クエリのシナリオにおいて桁違いに正確で高速であり,時系列データの待ち時間で拡張可能であることが示された。

関連論文リスト

• GraphSCENE: On-Demand Critical Scenario Generation for Autonomous Vehicles in Simulation [11.896059467313668]
  本研究では,多様なトラフィックシナリオに対応する動的時間的シーングラフをオンデマンドで生成し,ユーザ定義の好みに合わせて作成する手法を提案する。 時間的グラフニューラルネットワーク(GNN)モデルは、実世界の相互作用パターンによって導かれる、エゴ・車両エージェントと静的構造の関係を予測することを学習する。 予測されたシナリオをシミュレーションでレンダリングし、AVエージェントのテスト環境としての有効性をさらに実証する。
  論文  参考訳（メタデータ） (2024-10-17T13:02:06Z)
• Querying Labeled Time Series Data with Scenario Programs [0.0]
  本稿では,実世界のラベル付き時系列データ項目とシミュレーションシナリオとの一致を形式的に定義する。 自動運転車の領域を超えてスケーラブルなマッチングを実現するための定義とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-25T15:15:27Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Quantifying the LiDAR Sim-to-Real Domain Shift: A Detailed Investigation Using Object Detectors and Analyzing Point Clouds at Target-Level [1.1999555634662635]
  自律運転のためのニューラルネットワークに基づくLiDARオブジェクト検出アルゴリズムは、トレーニング、検証、テストのために大量のデータを必要とする。 ニューラルネットワークのトレーニングにシミュレーションデータを使用することで、シーン、シナリオ、分布の違いによるトレーニングデータとテストデータのドメインシフトが生じることを示す。
  論文  参考訳（メタデータ） (2023-03-03T12:52:01Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• DSSIM: a structural similarity index for floating-point data [68.8204255655161]
  我々は、データSSIM(DSSIM)と呼ばれる浮動小数点データに直接適用可能な、人気のあるSSIMの代替案を提案する。 DSSIMは,大量のシミュレーションデータに対する圧縮損失による差分評価の文脈において有用性を示す一方で,シミュレーションや画像データを含む他の多くのアプリケーションにおいて有用であることを示す。
  論文  参考訳（メタデータ） (2022-02-05T19:18:33Z)
• Querying Labelled Data with Scenario Programs for Sim-to-Real Validation [5.8720142291102135]
  AV障害シナリオは現実に意味のあるシミュレーションで特定されているか、すなわち、実際のシステムで再現可能か? シミュレーションされた障害シナリオを検証するアプローチとして、実際のデータのコーパス内のシナリオのインスタンスを特定し、障害が実際のデータに持続するかどうかをチェックする方法がある。 本稿では,SCENIC確率型プログラミング言語を用いたシナリオプログラムとして符号化された,抽象的なシナリオにマッチするラベル付きデータ項目の意味を形式的に定義する。
  論文  参考訳（メタデータ） (2021-12-01T01:04:13Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)

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。