論文の概要: In the Driver's Seat: A Multi-Company Study on the Reality of Autonomous Driving System Testing
- arxiv url: http://arxiv.org/abs/2607.15820v1
- Date: Fri, 17 Jul 2026 10:28:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.820859
- Title: In the Driver's Seat: A Multi-Company Study on the Reality of Autonomous Driving System Testing
- Title（参考訳）: 運転席における自律運転システムテストの現実性に関する研究
- Abstract要約: 自律運転システム(ADS)は急速に進歩し、現実のアプリケーションにますます普及している。
ADSテストは依然として複雑であり、シナリオの選択、パフォーマンス評価、受け入れ基準の確立した標準が欠如している。
本研究は6カ国9社を対象に, ADS の開発・試験を行う専門家を対象に, インタビュー調査を行った。
- 参考スコア（独自算出の注目度）: 9.65830001261678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous driving systems (ADS) are rapidly advancing and increasingly deployed in real-world applications. This creates growing demands for effective testing to ensure system functionality and safety. However, ADS testing remains complex and lacks well-established standards for scenario selection, performance evaluation, and acceptance criteria. To better understand current ADS testing practices and challenges, we conducted an interview study with experts working on ADS development and testing in nine companies from six different countries. Through thematic analysis, we synthesized industrial testing practices, challenges, potential solutions, future trends, and proposed an evidence-centered closed-loop testing framework for ADS testing. Our findings show that current practices primarily focus on scenario-based and X-in-the-loop testing approaches, supported by diverse tools, metrics, benchmarks, and testing strategies. The participants highlighted major challenges related to scenario realism, scenario coverage, simulation fidelity, and acceptance criteria, while also discussing potential solutions such as the use of AI, world models, and end-to-end approaches. Furthermore, participants envisioned future ADS testing to become more automated, data-driven, and transparent across the industry. Overall, this study provides a comprehensive industry-grounded overview of ADS testing, proposes an evidence-centered closed-loop testing framework to provide actionable guidance for ADS testing, and outlines important directions for future research and practice.
- Abstract（参考訳）: 自律運転システム(ADS)は急速に進歩し、現実のアプリケーションにますます普及している。
これにより、システム機能と安全性を確保するための効果的なテストの需要が増大する。
しかし、ADSテストは依然として複雑であり、シナリオの選択、パフォーマンス評価、受け入れ基準の確立した標準が欠如している。
現状のADSテストの実践と課題をより深く理解するために,6カ国9社でADS開発とテストを担当する専門家を対象に,インタビュー調査を行った。
テーマ分析を通じて, 産業試験の実践, 課題, 潜在的な解決策, 今後の動向を整理し, ADSテストのためのエビデンス中心のクローズループテストフレームワークを提案した。
私たちの調査によると、現在のプラクティスはシナリオベースとX-in-the-loopテストアプローチに重点を置いており、さまざまなツール、メトリクス、ベンチマーク、テスト戦略によってサポートされています。
参加者は、シナリオリアリズム、シナリオカバレッジ、シミュレーションの忠実さ、受け入れ基準に関連する大きな課題を強調し、AIの使用、世界モデル、エンドツーエンドアプローチといった潜在的なソリューションについて議論した。
さらに参加者は、業界全体でより自動化され、データ駆動で透明になるような、将来的なALSテストも想定していた。
本研究は, ADS テストの概要を概観し,ADS テストの実用的なガイダンスを提供するエビデンス中心のクローズドループテストフレームワークを提案し,今後の研究・実践に向けて重要な方向性を概説する。
関連論文リスト
- From Research to Practice: An Interactive Rapid Review of Autonomous Driving System Testing in Industry [4.424336158797069]
自律運転システム(ADS)は、実際のトラフィックにますますデプロイされているが、テストは基本的に困難である。
広範な研究にもかかわらず、学術的進歩と工業的実践における適用性の間にはギャップが持続している。
本研究は,ADSテスト研究の実践者主導のレビューと評価を行う。
論文 参考訳（メタデータ） (2026-05-01T09:13:03Z) - Let the Barbarians In: How AI Can Accelerate Systems Performance Research [80.43506848683633]
我々は、この繰り返しサイクルを、AI駆動システム研究の生成、評価、洗練のサイクルと呼ぶ。
我々はADRSが生成するソリューションが人間の最先端の設計に適合し、さらに優れることを示した。
論文 参考訳（メタデータ） (2025-12-16T18:51:23Z) - Advancing Autonomous Driving System Testing: Demands, Challenges, and Future Directions [16.701909787572724]
自律運転システム(ADS)は、輸送効率と安全性の向上を約束するが、複雑な現実世界環境における信頼性を確保することは重要な課題である。
本研究では,モジュールシステムとエンドツーエンドシステムの両方において,現在のADSテストの実践について検討する。
主要なテスト手法を概観し,V2X通信や基礎モデルなどの新たな要素について考察する。
論文 参考訳（メタデータ） (2025-12-09T06:33:27Z) - VP-AutoTest: A Virtual-Physical Fusion Autonomous Driving Testing Platform [47.03629760732478]
本稿では,現実の交通参加者の多様性を再現する,自律走行用仮想物理テストプラットフォーム(VP-AutoTest)を提案する。
VP-AutoTestには多次元評価フレームワークとAI駆動のエキスパートシステムが組み込まれ、包括的なパフォーマンス評価と欠陥診断を行う。
論文 参考訳（メタデータ） (2025-12-08T12:43:33Z) - Generative AI for Testing of Autonomous Driving Systems: A Survey [13.226510198306885]
自律運転システム(ADS)は、社会に多大な利益をもたらす可能性がある研究の活発な領域である。
異なるテストアプローチが必要であり、ADSの効率的かつ効率的なテストを実現することは、依然としてオープンな課題である。
生成AIは多くのドメインにまたがる強力なツールとして登場し、コンテキストを解釈する能力により、ADSテストにも適用されつつある。
この調査は、ADSのテストにおける生成AIの使用に関する概要と実践的な洞察を提供し、既存の課題を強調し、この急速に発展する分野における将来の研究の方向性を概説する。
論文 参考訳（メタデータ） (2025-08-27T13:40:14Z) - TestAgent: An Adaptive and Intelligent Expert for Human Assessment [62.060118490577366]
対話型エンゲージメントによる適応テストを強化するために,大規模言語モデル(LLM)を利用したエージェントであるTestAgentを提案する。
TestAgentは、パーソナライズされた質問の選択をサポートし、テストテイカーの応答と異常をキャプチャし、動的で対話的なインタラクションを通じて正確な結果を提供する。
論文 参考訳（メタデータ） (2025-06-03T16:07:54Z) - Fine-grained Testing for Autonomous Driving Software: a Study on Autoware with LLM-driven Unit Testing [12.067489008051208]
本稿では、自律運転システム(ADS)ソースコードに対するテスト、特に単体テストに関する最初の研究について述べる。
大型言語モデル(LLM)による人書きテストケースと生成事例の両方を解析する。
AwTest-LLMは,テストカバレッジを向上し,テストケースパス率をAutowareパッケージ間で改善するための新しいアプローチである。
論文 参考訳（メタデータ） (2025-01-16T22:36:00Z) - Survey of Computerized Adaptive Testing: A Machine Learning Perspective [66.26687542572974]
コンピュータ適応テスト (Computerized Adaptive Testing, CAT) は、試験の熟練度を評価するための効率的で調整された方法である。
本稿では,この適応テスト手法に対する新たな視点を提示し,機械学習に着目したCATに関する調査を行うことを目的とする。
論文 参考訳（メタデータ） (2024-03-31T15:09:47Z) - Testing autonomous vehicles and AI: perspectives and challenges from cybersecurity, transparency, robustness and fairness [53.91018508439669]
この研究は、人工知能を自律走行車(AV)に統合する複雑さを探求する
AIコンポーネントがもたらした課題と、テスト手順への影響を調べます。
本稿は、重要な課題を特定し、AV技術におけるAIの研究・開発に向けた今後の方向性を提案する。
論文 参考訳（メタデータ） (2024-02-21T08:29:42Z) - A Survey on Scenario-Based Testing for Automated Driving Systems in
High-Fidelity Simulation [26.10081199009559]
道路上でシステムをテストすることは、現実世界と望ましいアプローチに最も近いが、非常にコストがかかる。
一般的な選択肢は、ADSのパフォーマンスを、よく設計されたシナリオ、すなわちシナリオベースのテストで評価することである。
高忠実度シミュレータはこの設定で、何のシナリオかをテストする際の柔軟性と利便性を最大化するために広く使われている。
論文 参考訳（メタデータ） (2021-12-02T03:41:33Z) - Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement
Learning Framework [68.96770035057716]
A/Bテスト(A/B Testing)は、新しい製品を製薬、技術、伝統産業の古い製品と比較するビジネス戦略である。
本稿では,オンライン実験においてA/Bテストを実施するための強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-05T10:25:02Z)
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。