論文の概要: Real-World Perturbation Testing of Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2607.04953v1
• Date: Mon, 06 Jul 2026 11:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.12795
• Title: Real-World Perturbation Testing of Autonomous Driving Systems
• Title（参考訳）: 自律走行システムの実世界摂動試験
• Abstract要約: 72台のカメラとLiDARの摂動を大規模に検討し、3つの試験モードで評価した。 カメラベースのシステムでは、オフラインの衝突に制限のある摂動は、現実世界の運転において不安定な制御と障害を引き起こす可能性がある。 実世界のテストにおいて、リアルタイムの実現性は重要な制約であることを示す。
• 参考スコア（独自算出の注目度）: 0.9956658791307307
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Autonomous Driving Systems (ADS) must operate reliably under diverse conditions, yet representative data for rare or adverse scenarios is difficult to obtain. Perturbation-based testing is widely used to assess robustness, but most studies focus on offline datasets or simulation, leaving open questions about how such results translate to real-world driving. We present a large-scale study of 72 camera and LiDAR perturbations, evaluated across three testing modalities: offline model-level analysis, hardware-in-the-loop execution, and closed-loop system-level testing on a full-scale autonomous vehicle. The study covers both an end-to-end vision-based driving model and a modular LiDAR-based perception and planning stack. Our results reveal a clear gap between testing levels. For camera-based systems, perturbations with limited offline impact can still induce unstable control and failures in real-world driving. For LiDAR-based systems, degradation is more consistent at the perception level but weakly predictive of system-level failures. Across both modalities, model-level metrics alone are insufficient to identify the most harmful perturbations. We further show that real-time feasibility is a key constraint in real-world testing, and that robustness observations obtained from recorded data do not consistently transfer to closed-loop behavior on a physical vehicle, highlighting the importance of complementary real-world, system-level evaluation.
• Abstract（参考訳）: 自律運転システム(ADS)は、多様な状況下で確実に運用する必要があるが、まれまたは有害なシナリオの代表的なデータを得ることは困難である。 摂動に基づくテストはロバスト性を評価するために広く使用されているが、ほとんどの研究はオフラインのデータセットやシミュレーションに重点を置いており、そのような結果が現実の運転にどのように影響するかというオープンな疑問を残している。 72台のカメラとLiDARの摂動を大規模に検討し、オフラインモデルレベルの分析、ハードウェア・イン・ザ・ループの実行、フルスケールの自律走行車におけるクローズドループシステムレベルのテストの3つのモードで評価した。 この研究は、エンドツーエンドの視覚ベースの運転モデルとモジュラーLiDARベースの知覚と計画スタックの両方をカバーしている。 その結果、テストレベルの間に明確なギャップが明らかになりました。 カメラベースのシステムでは、オフラインの影響の少ない摂動は、現実の運転において不安定な制御と障害を引き起こす可能性がある。 LiDARベースのシステムでは、劣化は知覚レベルではより一貫性があるが、システムレベルの障害を弱く予測する。 両モードとも、モデルレベルのメトリクスだけでは、最も有害な摂動を特定するには不十分です。 さらに、実世界のテストにおいてリアルタイム実現性は重要な制約であり、記録データから得られるロバスト性観測は、物理車両上での閉ループ動作に一貫して移行せず、相補的な実世界の重要さ、システムレベルの評価が重要であることを示す。

関連論文リスト

• Bench2Drive-Robust: Benchmarking Closed-Loop Autonomous Driving under Deployment Perturbations [122.22391796628408]
  Bench2Drive-Robustは、クローズドループのエンドツーエンド自動運転のための最初のデバイス中心の堅牢性ベンチマークである。 我々は,カメラストリーム障害,エゴ状態推定誤差,計算による制御遅延という3つの主要な原因から生じる展開指向の摂動を系統的に評価した。 以上の結果から,これらの展開に伴う摂動は閉ループ駆動性能を著しく低下させる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-18T08:45:24Z)
• Unsupervised Learning for Detection of Rare Driving Scenarios [1.5399429731150376]
  本研究では,まれかつ極端な運転シナリオを検出するための教師なし学習フレームワークについて検討する。 我々は最近提案されたディープ・アイソレーション・フォレスト(DIF)を利用して、非線形および複雑な異常を識別する。 提案手法は, 稀かつ有害な運転シナリオを効果的に同定できることを示す。
  論文  参考訳（メタデータ） (2025-12-29T16:35:20Z)
• A Multi-Modality Evaluation of the Reality Gap in Autonomous Driving Systems [0.9956658791307307]
  我々は、Software-in-the-Loop (SiL), Vehicle-in-the-Loop (ViL), Mixed-Reality (MR), full real-world testingの4つの代表的なテストモードを比較した。 以上の結果から,SiLとViLのセットアップは実世界のダイナミックスとセンシングの重要な側面を単純化するが,MRテストは安全性や制御を損なうことなく知覚リアリズムを改善することが示唆された。
  論文  参考訳（メタデータ） (2025-09-26T14:08:53Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
  視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。 本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。 我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
  論文  参考訳（メタデータ） (2025-05-09T20:28:17Z)
• Behavioral Cloning Models Reality Check for Autonomous Driving [5.021331908103135]
  本稿では, 横方向制御にBC(Behavior Cloning)を用いた現状認識システムの現実的検証について述べる。 データセットは、スケールした研究車両を使用して収集され、さまざまなトラック設定でテストされた。 実験により, リアルタイムに低誤差の操舵角度を推定できることが確認された。
  論文  参考訳（メタデータ） (2024-09-11T12:19:38Z)
• 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)
• How Do We Fail? Stress Testing Perception in Autonomous Vehicles [40.19326157052966]
  本稿では、悪天候下での自動運転車のLiDARによる認識システムの故障を特徴付ける手法を提案する。 本研究では,物体追跡や乱れの列による軌道予測において,潜在的な故障を発見するための強化学習に基づく手法を開発する。
  論文  参考訳（メタデータ） (2022-03-26T20:48:09Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• 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)

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。