論文の概要: Importance Sampling and PCA for Finding Failures in Commercial Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2607.18106v1
• Date: Mon, 20 Jul 2026 16:07:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.698583
• Title: Importance Sampling and PCA for Finding Failures in Commercial Autonomous Vehicles
• Title（参考訳）: 商用自動運転車の故障発見における重要サンプリングとPCA
• Abstract要約: 自律システムにおけるまれな障害を発見する手法は、これまで、単純な学術的な運転スタックを用いたシミュレーションで、ほとんど完全に実証されてきた。 商用の自動運転トラックスタックに2つの希少な発見アルゴリズムを適用することで、このギャップに対処する。 両アルゴリズムは,従来のモンテカルロシミュレーションでは起こらない,マージおよびカットイン操作において,シミュレーションによる衝突を検出する。
• 参考スコア（独自算出の注目度）: 17.175499236764697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Methods for discovering rare failures in autonomous systems have so far been demonstrated almost exclusively in simulations with simple, academic driving stacks, leaving open whether they generalize to the more robust planners used in commercial systems. We address this gap by applying two rare-event discovery algorithms to a commercial autonomous trucking stack. Adaptive stress testing (AST) uses reinforcement learning to search for the most likely noise trajectories leading to a simulated collision, while diffusion-based failure sampling (DiFS) trains a denoising diffusion model to sample a diverse set of failures. We show that both algorithms find simulated collisions during merge and cut-in maneuvers where traditional Monte Carlo simulation does not. To make these failures actionable, we introduce a statistical analysis based on principal component analysis (PCA) that classifies failures into common modes and identifies the timesteps that most influence the outcome. We cluster the principal components and invert the PCA transform to recover generalized noise trajectories, and show that these trajectories reproduce failures in identical and similar scenarios. This provides a path from failure discovery to systematic diagnosis of perception-level flaws.
• Abstract（参考訳）: 自律システムにおけるまれな障害を発見する方法は、これまでのところ、単純な、学術的な運転スタックを持つシミュレーションでのみ実証されており、それらが商用システムで使われるより堅牢なプランナーに一般化されるかどうかについては未定のままである。 商用の自動運転トラックスタックに2つの希少な発見アルゴリズムを適用することで、このギャップに対処する。 アダプティブ・ストレス・テスト(AST)は、強化学習を用いて、シミュレートされた衝突につながる最も可能性の高いノイズ軌跡を探索する一方、拡散ベースの障害サンプリング(DiFS)は、様々な障害をサンプリングするためにデノナイズド拡散モデルを訓練する。 両アルゴリズムは,従来のモンテカルロシミュレーションではあり得ない,マージおよびカットイン操作において,シミュレーションによる衝突を検出する。 これらの障害を実用的なものにするために,主成分分析(PCA)に基づく統計分析を導入し,障害を共通のモードに分類し,その結果に最も影響を与える時間ステップを特定する。 我々は,主成分をクラスタ化し,PCA変換を反転させて一般化された雑音軌跡を復元し,これらの軌跡が同一かつ類似のシナリオで障害を再現することを示す。 これは、障害発見から、認識レベルの欠陥の体系的な診断に至る道を提供する。

関連論文リスト

• Coverage Aware Active Evaluation for Failure Discovery with Paired Systems [32.870747441157654]
  本稿では,プロキシ評価と限られた対象システム結果を組み合わせた適応的故障検出手法を提案する。 提案手法は,ランダムサンプリングやアクティブラーニングのベースラインとして最大2$times$の障害を検出する。
  論文  参考訳（メタデータ） (2026-08-13T19:26:25Z)
• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• ProbeLLM: Automating Principled Diagnosis of LLM Failures [89.44131968886184]
  ProbeLLMはベンチマークに依存しない自動探索フレームワークで、個々の障害から構造的障害モードへの脆弱性発見を増大させる。 ProbeLLMは、検証可能なテストケースにプローブを制限し、ツールの拡張された生成と検証を活用することで、信頼性のある証拠として障害発見を根拠とする。
  論文  参考訳（メタデータ） (2026-02-13T14:33:13Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Fault Detection and Monitoring using a Data-Driven Information-Based Strategy: Method, Theory, and Application [5.056456697289351]
  本稿では,新しいコンセプトドリフト検出器に基づく情報駆動型故障検出手法を提案する。 本手法は,加法雑音モデルの入出力関係におけるドリフトの同定に適している。 提案したMIに基づく故障検出手法の理論的特性を実証する。
  論文  参考訳（メタデータ） (2024-05-06T17:43:39Z)
• Adaptive Splitting of Reusable Temporal Monitors for Rare Traffic Violations [23.757535844087354]
  2つの一般的な問題は、既存の手法を使って見積もりを生成するときに生じる。 本稿では,レアイベントサンプリング手法をオンライン仕様監視アルゴリズムにインターリーブすることで,両問題に対処する。 我々はモンテカルロよりも優れた推定値を生成し、より少ないシミュレーションで重要なサンプリングを行う。
  論文  参考訳（メタデータ） (2024-03-13T17:47:39Z)
• Model-based Validation as Probabilistic Inference [37.61747231296097]
  障害に対する分散を推定することは、自律システムを検証するための重要なステップである。 逐次システムの故障軌道上の分布をベイズ推定として推定する。 本手法は, 逆振子制御システム, 自律走行シナリオ, 部分的に観測可能な月面着陸機で実証された。
  論文  参考訳（メタデータ） (2023-05-17T03:27:36Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。