論文の概要: Incremental Validation of Automated Driving Functions using Generic Volumes in Micro- Operational Design Domains
- arxiv url: http://arxiv.org/abs/2512.11351v1
- Date: Fri, 12 Dec 2025 07:59:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.297519
- Title: Incremental Validation of Automated Driving Functions using Generic Volumes in Micro- Operational Design Domains
- Title（参考訳）: マイクロ・オペレーショナル・デザイン領域におけるジェネリックボリュームを用いた自動運転機能のインクリメンタル検証
- Authors: Steffen Schäfer, Martin Cichon,
- Abstract要約: 本稿では,操作設計領域(ODD)を管理可能なセクションに分割し,抽象オブジェクト表現を用いてテストケースを抽出する構造的手法を提案する。
障害物は様々な大きさの一般的な立方体として表現され、知覚性能を評価するためのシンプルで堅牢な手段を提供する。
その結果、障害物検出におけるエッジケースを体系的に探索し、認識品質を評価する方法が示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The validation of highly automated, perception-based driving systems must ensure that they function correctly under the full range of real-world conditions. Scenario-based testing is a prominent approach to addressing this challenge, as it involves the systematic simulation of objects and environments. Operational Design Domains (ODDs) are usually described using a taxonomy of qualitative designations for individual objects. However, the process of transitioning from taxonomy to concrete test cases remains unstructured, and completeness is theoretical. This paper introduces a structured method of subdividing the ODD into manageable sections, termed micro-ODDs (mODDs), and deriving test cases with abstract object representations. This concept is demonstrated using a one-dimensional, laterally guided manoeuvre involving a shunting locomotive within a constrained ODD. In this example, mODDs are defined and refined into narrow taxonomies that enable test case generation. Obstacles are represented as generic cubes of varying sizes, providing a simplified yet robust means of evaluating perception performance. A series of tests were conducted in a closed-loop, co-simulated virtual environment featuring photorealistic rendering and simulated LiDAR, GNSS and camera sensors. The results demonstrate how edge cases in obstacle detection can be systematically explored and how perception quality can be evaluated based on observed vehicle behaviour, using crash versus safe stop as the outcome metrics. These findings support the development of a standardised framework for safety argumentation and offer a practical step towards the validation and authorisation of automated driving functions.
- Abstract（参考訳）: 高度に自動化された知覚に基づく運転システムの検証は、それらが現実世界の完全な条件下で正しく機能することを保証する必要がある。
シナリオベースのテストは、オブジェクトと環境のシステマティックなシミュレーションを含むため、この問題に対処するための顕著なアプローチである。
オペレーションデザインドメイン(ODD)は通常、個々のオブジェクトの質的な指定の分類を用いて記述される。
しかし、分類学から具体的なテストケースへ移行する過程は、まだ構造化されておらず、完全性は理論的である。
本稿では, ODDを管理可能な部分, マイクロODD (mODD) に分割し, 抽象オブジェクト表現によるテストケースの導出を行う構造的手法を提案する。
この概念は、制限されたODD内でのシャンティング機関車を含む一次元、横方向誘導操作を用いて実証される。
この例では、mODDが定義され、テストケースの生成を可能にする狭い分類体系に精製される。
障害物は様々な大きさの一般的な立方体として表現され、知覚性能を評価するためのシンプルで堅牢な手段を提供する。
光リアルなレンダリングと、LiDAR、GNSS、カメラセンサーを模擬した、クローズドループでシミュレーションされた仮想環境において、一連のテストが行われた。
その結果、障害物検出におけるエッジケースを系統的に探索し、観測された車両の挙動に基づいて認識品質を評価する方法が、結果の指標としてクラッシュ対安全停止を用いて示された。
これらの知見は、安全議論のための標準化されたフレームワークの開発を支援し、自動運転機能の検証と認可に向けた実践的なステップを提供する。
関連論文リスト
- Methodology for Test Case Allocation based on a Formalized ODD [0.4349640169711269]
本稿では,既存のオペレーショナル・デザイン・ドメイン(ODD)の形式化を図解し,拡張することにより,様々なテスト環境に対するテストケース割り当ての適合性を評価する手法を提案する。
結果として生成されたコンストラクトは、ODDパラメータと追加のテスト属性を統合して、所定のテスト環境に関連する機能をキャプチャする。
論文 参考訳（メタデータ） (2025-09-02T13:33:24Z) - Verification of Visual Controllers via Compositional Geometric Transformations [49.81690518952909]
到達可能な集合の外部近似を生成できる知覚ベースのコントローラのための新しい検証フレームワークを提案する。
提案手法の音質を理論的に保証し,ベンチマーク制御環境における有効性を示す。
論文 参考訳（メタデータ） (2025-07-06T20:22:58Z) - Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection [73.85890512959861]
本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。
我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。
公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
論文 参考訳（メタデータ） (2024-12-22T03:25:43Z) - Towards Scenario-based Safety Validation for Autonomous Trains with Deep
Generative Models [0.0]
シナリオベース検証のための深層生成モデルを用いたデータシミュレーションの有用性に関する実践経験を報告する。
本研究では,鉄道シーンをより深い生成モデルで意味論的に編集し,限られた量の試験データをより代表的なものにする能力を実証する。
論文 参考訳（メタデータ） (2023-10-16T17:55:14Z) - 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) - Conservative Estimation of Perception Relevance of Dynamic Objects for
Safe Trajectories in Automotive Scenarios [0.0]
関連性の概念はいまだ十分に定義されておらず、特定されていない。
本稿では,ハイウェイ領域における衝突安全への模範的適用により,この課題を克服する新しい手法を提案する。
本稿では、動的対象が知覚に関連し、完全な評価のために考慮する必要がある、保守的な推定法を提案する。
論文 参考訳（メタデータ） (2023-07-20T13:43:48Z) - Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing
Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。
生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文 参考訳（メタデータ） (2021-04-22T12:47:37Z) - Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。
最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。
それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文 参考訳（メタデータ） (2021-04-16T21:35:08Z) - Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。
我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文 参考訳（メタデータ） (2021-01-07T07:33:38Z) - Efficient statistical validation with edge cases to evaluate Highly
Automated Vehicles [6.198523595657983]
自動運転車の大規模展開は、まだ解決されていない多くの安全上の課題にもかかわらず、差し迫っているようだ。
既存の標準は、検証が要求をカバーするテストケースのセットだけを必要とする決定論的プロセスに焦点を当てています。
本稿では, 自動生成テストケースを最悪のシナリオに偏り付け, システムの挙動の統計的特性を計算するための新しい手法を提案する。
論文 参考訳（メタデータ） (2020-03-04T04:35:22Z)
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。