論文の概要: Coverage-Guided Road Selection and Prioritization for Efficient Testing in Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2601.08609v1
- Date: Tue, 13 Jan 2026 14:55:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-14 18:27:19.239182
- Title: Coverage-Guided Road Selection and Prioritization for Efficient Testing in Autonomous Driving Systems
- Title（参考訳）: 自律運転システムにおける効率的なテストのための被覆誘導路選択と優先順位付け
- Authors: Qurban Ali, Andrea Stocco, Leonardo Mariani, Oliviero Riganelli,
- Abstract要約: 本稿では,自律走行支援システムのための新しいテスト優先化フレームワークを提案する。
道路シナリオは、ADAS駆動動作の幾何学的および動的特徴に基づいてクラスタ化される。
道路は、幾何的な複雑さ、運転困難、歴史的失敗に基づいて、最終的に優先順位付けされる。
- 参考スコア（独自算出の注目度）: 5.135101504532172
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Autonomous Driving Assistance Systems (ADAS) rely on extensive testing to ensure safety and reliability, yet road scenario datasets often contain redundant cases that slow down the testing process without improving fault detection. To address this issue, we present a novel test prioritization framework that reduces redundancy while preserving geometric and behavioral diversity. Road scenarios are clustered based on geometric and dynamic features of the ADAS driving behavior, from which representative cases are selected to guarantee coverage. Roads are finally prioritized based on geometric complexity, driving difficulty, and historical failures, ensuring that the most critical and challenging tests are executed first. We evaluate our framework on the OPENCAT dataset and the Udacity self-driving car simulator using two ADAS models. On average, our approach achieves an 89% reduction in test suite size while retaining an average of 79% of failed road scenarios. The prioritization strategy improves early failure detection by up to 95x compared to random baselines.
- Abstract（参考訳）: 自律運転支援システム(ADAS)は、安全性と信頼性を確保するために広範なテストに頼っているが、道路シナリオデータセットには、障害検出を改善することなくテストプロセスを遅くする冗長なケースがしばしば含まれている。
この問題に対処するために,幾何学的・行動的多様性を保ちながら冗長性を低下させる新しいテスト優先化フレームワークを提案する。
道路シナリオは、ADAS運転行動の幾何学的および動的特徴に基づいてクラスタ化され、その代表的な事例がカバー範囲を保証するために選択される。
最終的に道路は、幾何学的な複雑さ、運転困難、歴史的失敗に基づいて優先順位付けされ、最も重要で挑戦的なテストが最初に実行されることを保証する。
2つのADASモデルを用いて,OPENCATデータセットとUdacity自動運転シミュレータ上でのフレームワークの評価を行った。
提案手法は平均89%のテストスイートサイズ削減を実現し, 平均79%の障害シナリオを維持した。
優先順位付け戦略は、ランダムなベースラインと比較して、早期故障検出を最大95倍改善する。
関連論文リスト
- CoReVLA: A Dual-Stage End-to-End Autonomous Driving Framework for Long-Tail Scenarios via Collect-and-Refine [73.74077186298523]
CoReVLAは、自動運転のための継続的学習フレームワークである。
データコレクションとビヘイビアリファインメントの2段階プロセスを通じて、ロングテールシナリオのパフォーマンスを改善する。
CoReVLAは72.18のドライビングスコア(DS)と50%の成功率(SR)を達成し、7.96DSの最先端手法と15%SRの長期的安全クリティカルシナリオで性能を向上する。
論文 参考訳（メタデータ） (2025-09-19T13:25:56Z) - Efficient Safety Testing of Autonomous Vehicles via Adaptive Search over Crash-Derived Scenarios [6.000851091286008]
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。
論文 参考訳（メタデータ） (2025-08-07T13:55:01Z) - Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。
本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
論文 参考訳（メタデータ） (2025-03-14T17:59:41Z) - An LSTM-based Test Selection Method for Self-Driving Cars [1.3450023647228841]
本研究は、自動運転車の車線維持システムにおけるテスト選択問題に対処する。
角度や長さなどの道路セグメントの特徴を抽出し,シーケンスとして処理した。
提案したモデルと機械学習ベースのテストセレクタを比較した。
論文 参考訳（メタデータ） (2025-01-07T15:44:06Z) - Diversity-guided Search Exploration for Self-driving Cars Test
Generation through Frenet Space Encoding [4.135985106933988]
自動運転車(SDC)の台頭は、動的環境に対処する上で重要な安全上の課題を提示している。
フィールドテストは不可欠であるが、現在の手法では重要なSDCシナリオを評価するための多様性が欠如している。
本研究では, ディープラーニングバニラ変圧器モデルを用いて, アウトオブバウンド状態に導く可能性を示す。
論文 参考訳（メタデータ） (2024-01-26T06:57:00Z) - 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) - 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) - ReMAV: Reward Modeling of Autonomous Vehicles for Finding Likely Failure
Events [1.84926694477846]
本稿では、まず、オフライン軌道を用いて、既存の自動運転車の挙動を分析するブラックボックステストフレームワークを提案する。
実験の結果,車両衝突,道路物体衝突,歩行者衝突,オフロードステアリング事故の発生率は35,23,48,50%増加した。
論文 参考訳（メタデータ） (2023-08-28T13:09:00Z) - Realistic Safety-critical Scenarios Search for Autonomous Driving System
via Behavior Tree [8.286351881735191]
本研究では,行動木に基づくテストフレームワークであるMatrix-Fuzzerを提案し,現実的な安全クリティカルなテストシナリオを自動的に生成する。
提案手法では, 安全クリティカルシナリオのタイプが最も多いが, ベースラインアルゴリズムと比較して, 全体の30%程度しか生成できない。
論文 参考訳（メタデータ） (2023-05-11T06:53:03Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳（メタデータ） (2020-06-26T11:07:32Z)
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。