論文の概要: Scenario Generation for Testing of Autonomous Driving Systems Using Real-World Failure Records
- arxiv url: http://arxiv.org/abs/2606.31131v1
- Date: Tue, 30 Jun 2026 04:56:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.075775
- Title: Scenario Generation for Testing of Autonomous Driving Systems Using Real-World Failure Records
- Title（参考訳）: 実世界故障記録を用いた自律走行システムのシナリオ生成
- Abstract要約: 本稿では,歴史的記録から利用できる分類的・文脈的情報を用いた自然言語形式でのシナリオ生成パイプラインを提案する。
そこで我々は,メタドライブシミュレータ上で自律ナビゲーションをテストするためのシナリオを多種多様に生成するために,本手法をうまく適用した。
- 参考スコア（独自算出の注目度）: 19.330267460084773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To ensure safe on-road behavior, pre-deployment testing and failure discovery of Autonomous Driving Systems (ADS) is crucial. Present day simulation based testing methods focus largely on mathematical models for efficient search of optimal scenarios, assuming a fixed scenario representation. On the other hand, real-world testing involves substantial manual effort to design scenario templates for testing. These templates represent distinct failure scenarios consisting of pre-deployment vehicle movements, map types, etc. Historical failure records for ADS are a reliable source of real-world failure conditions, which can be used for scenario generation. In this work, we propose a scenario generation pipeline using categorical and contextual information available from historical records in natural language format. Our approach consists of modular LLM based synthetic scenario generation, compatible with the testing constraints of a given system. We successfully apply our method to generate a diverse set of scenarios for testing autonomous navigation on Metadrive simulator using the NHTSA ADS crash records. Our approach results in accurate and diverse scenario generation with a combination of 4 road types, 3 non ego vehicle movement types, including on road anomalies in the form of working zones. Generated scenarios align with the provided testing conditions, and reveals interesting failures of the system within a limited testing budget of 20 scenarios. Code is available at https://github.com/anjaliParashar/crash2scenario.
- Abstract（参考訳）: 道路上での安全を確保するためには、ADS(Autonomous Driving Systems)の事前デプロイテストと障害発見が不可欠である。
現代のシミュレーションに基づくテスト手法は、固定シナリオ表現を仮定して最適なシナリオを効率的に探索するための数学的モデルに重点を置いている。
一方、実世界のテストでは、テストのシナリオテンプレートを設計するための手作業がかなり必要になります。
これらのテンプレートは、事前デプロイされた車両の動きやマップタイプなどからなる、異なる障害シナリオを表している。
ADSの歴史的障害記録は、シナリオ生成に使用できる実世界の障害条件の信頼性の高い情報源である。
本研究では,自然言語形式での歴史的記録から得られる分類的・文脈的情報を用いたシナリオ生成パイプラインを提案する。
提案手法は, モジュール型LLMに基づく合成シナリオ生成から成り, 与えられたシステムのテスト制約に適合する。
NHTSA ADS の事故記録を用いて,メタドライブシミュレータ上での自律走行テストのための多種多様なシナリオの生成に本手法を適用した。
提案手法は,作業ゾーンの形での道路異常を含む4つの道路タイプ,3つの非エゴ車両移動タイプを組み合わせた,正確かつ多様なシナリオ生成を実現する。
生成されたシナリオは提供されたテスト条件と一致し、20のシナリオの限られたテスト予算内で、システムの興味深い障害を明らかにします。
コードはhttps://github.com/anjaliParashar/crash2scenarioで入手できる。
関連論文リスト
- Traffic Scenario Orchestration from Language via Constraint Satisfaction [23.997970363698027]
閉ループ試験型AVのための言語内シミュレーション・アウト・シナリオオーケストレータを提案する。
慎重に構築された多様なシナリオ記述のベンチマークでは、私たちのアプローチは、オーケストレーションの成功率のベースラインを大きく上回っています。
論文 参考訳（メタデータ） (2026-05-07T21:34:27Z) - An LLM-driven Scenario Generation Pipeline Using an Extended Scenic DSL for Autonomous Driving Safety Validation [4.602386383455713]
現実の事故報告は、自律運転システムのシナリオベースのテストに有用である。
現在の手法では、このマルチモーダルデータを正確に実行可能なシミュレーションシナリオに効果的に変換することはできない。
本稿では,大規模言語モデルと確率的中間表現を用いたスケーラブルで検証可能なパイプラインを提案する。
論文 参考訳（メタデータ） (2026-02-24T07:44:26Z) - Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。
textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。
SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
論文 参考訳（メタデータ） (2025-09-24T13:27:35Z) - 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) - From Accidents to Insights: Leveraging Multimodal Data for Scenario-Driven ADS Testing [3.984220091774453]
本稿では,シナリオベースADSテストケース生成フレームワークであるTRACEを紹介する。
マルチモーダルデータを活用して、現実世界の事故報告から困難なシナリオを抽出することで、TRACEは少ないデータで多数の重要なテストケースを構築します。
ユーザからのフィードバックによると、TRACEはシナリオ再構築の精度が優れており、シナリオの77.5%が"ほぼ"あるいは"完全に"一貫性がある"と評価されている。
論文 参考訳（メタデータ） (2025-02-04T05:21:29Z) - Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
大規模言語モデル(LLM)は自動運転において有望であることを示している。
本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。
我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
論文 参考訳（メタデータ） (2024-11-25T16:38:17Z) - RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。
RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。
このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
論文 参考訳（メタデータ） (2023-12-19T23:11:06Z) - Tree-Based Scenario Classification: A Formal Framework for Coverage
Analysis on Test Drives of Autonomous Vehicles [0.0]
シナリオベースのテストでは、関連する(運転)シナリオがテストの基礎になります。
シナリオの集合を分類し、記録されたテストドライブにおけるこれらのシナリオのカバレッジを測定するというオープンな課題に対処する。
論文 参考訳（メタデータ） (2023-07-11T08:30:57Z) - Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic
Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。
シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。
その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文 参考訳（メタデータ） (2021-12-09T18:03:27Z) - Addressing the IEEE AV Test Challenge with Scenic and VerifAI [10.221093591444731]
本稿では,IEEE AVテストチャレンジのシミュレーションにおいて,自律走行車(AV)のテストに対する我々の公式なアプローチを要約する。
我々は,知的サイバー物理システムのための形式駆動型シミュレーションに関するこれまでの研究を生かした,系統的なテストフレームワークを実証する。
論文 参考訳（メタデータ） (2021-08-20T04:51:27Z) - 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。