論文の概要: Testing Between the Test Cases: Proving End-to-End Steering in Conditions You Never Drove

• arxiv url: http://arxiv.org/abs/2609.10951v1
• Date: Thu, 10 Sep 2026 01:19:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.173804
• Title: Testing Between the Test Cases: Proving End-to-End Steering in Conditions You Never Drove
• Title（参考訳）: テストケース間のテスト: 一度も飲まない状態でエンドツーエンドのステアリングを証明
• Abstract要約: シミュレーションされた高速道路と動脈道で2つの小さなエンドツーエンドのステアリングネットワークを訓練する。 得られた2つの画像間の乱れ強度の全てで、操舵がどこまでドリフトできるかを計算するために、有界伝播を用いる。 正式な検証では、シミュレーションテストなしで明確な訓練済みのポリシーを破る条件が見つかっただけでなく、テストケース間の潜在的な失敗の予備的な証拠も提供された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-based automated vehicle testing is challenging because a model that passes every test condition can still fail in the real world. Formal verification offers a way to directly address this gap. On a simulated highway and an arterial road we trained two small end-to-end steering networks each in CARLA, one on clear conditions alone and one on clear, fog, night and low sun. All four models were driven against a 2.19 ft lane-departure budget. Without driving again, we used bound propagation, a formal method that reads the trained weights, to compute how far steering can drift at every disturbance strength between two captured images. One calculation covers more than a campaign could drive: on the arterial it spans 133 poses, where ten intensities each would be 10^133 combinations, in minutes on one GPU. Not only did formal verification find conditions that broke the clear-trained policy without simulation testing, it provided some preliminary evidence for potential failures between the test cases. Our overall conclusion is that formal verification is a viable complement to simulation, and could be adopted as a part of verification and validation for automated driving.
• Abstract（参考訳）: AIベースの自動車両テストは、すべてのテスト条件をパスするモデルが現実世界で失敗する可能性があるため、難しい。 形式的検証は、このギャップに直接対処する方法を提供する。 シミュレーションされた高速道路と動脈道では、それぞれCARLAで2つの小さなエンドツーエンドのステアリングネットワークをトレーニングしました。 4台とも2.19フィートの車線分割予算で駆動された。 運転を再開せずに、トレーニングされた重量を読み取る公式な方法である有界伝搬を用いて、2つのキャプチャー画像間のあらゆる乱れ強度で、操舵がどこまでドリフトできるかを計算した。 1つの計算は1つのキャンペーン以上のものをカバーする:動脈では133のポーズにまたがっており、それぞれ10個のインテンシティが1つのGPU上で数分で10^133の組み合わせになる。 正式な検証では、シミュレーションテストなしで明確な訓練済みのポリシーを破る条件が見つかっただけでなく、テストケース間の潜在的な失敗の予備的な証拠も提供された。 我々の総合的な結論は、フォーマルな検証はシミュレーションを補完するものであり、自動運転の検証と検証の一部として採用できるということである。

関連論文リスト

• Foundation Models for Rapid Autonomy Validation [4.417336418010182]
  重要な課題は、自動運転車が遭遇するあらゆる種類の運転シナリオでテストする必要があることだ。 本研究では,運転シナリオを再構築するための行動基礎モデル,特にマスク付きオートエンコーダ(MAE)の使用を提案する。
  論文  参考訳（メタデータ） (2024-10-22T15:32:43Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
  本稿では,新しい駆動ビュー合成評価のための合成データセットを提案する。 トレーニングコースから逸脱した画像を1～4ドル(約1,400円)で撮影する。 我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-26T14:00:21Z)
• Bench2Drive: Towards Multi-Ability Benchmarking of Closed-Loop End-To-End Autonomous Driving [59.705635382104454]
  本稿では,E2E-ADシステムのマルチ能力をクローズドループで評価するための最初のベンチマークであるBench2Driveを紹介する。 我々は最先端のE2E-ADモデルを実装し、Bench2Driveで評価し、現状と今後の方向性について洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-06T09:12:30Z)
• Rigorous Simulation-based Testing for Autonomous Driving Systems -- Targeting the Achilles' Heel of Four Open Autopilots [6.229766691427486]
  本稿では,シナリオを単純なものに分割した厳密なテスト手法を提案する。 クリティカルな状況において、車両をテスト対象とするクリティカルな構成のテストケースを生成します。 テストケースでは、Apollo、Autoware、CarlaとLGSVLのオートパイロットに重大な欠陥が見られる。
  論文  参考訳（メタデータ） (2024-05-27T08:06:21Z)
• Combating the effects of speed and delays in end-to-end self-driving [0.8287206589886881]
  専門家の運転のデータセットがどのように収集され、モデルが専門家が異なる状況で何をするかを推測することを学ぶ。 高速運転を訓練したモデルでは、遅い運転と逆運転という一見簡単な作業が実行できないことを実験的に示す。 ここで議論されているアイデアのいくつかは、より広範な自動運転のコンテキストに移行可能である可能性がある。
  論文  参考訳（メタデータ） (2023-12-06T10:09:10Z)
• NeurIPS 2022 Competition: Driving SMARTS [60.948652154552136]
  ドライビングSMARTSは、動的相互作用コンテキストにおける分散シフトに起因する問題に対処するために設計された定期的な競争である。 提案するコンペティションは,強化学習(RL)やオフライン学習など,方法論的に多様なソリューションをサポートする。
  論文  参考訳（メタデータ） (2022-11-14T17:10:53Z)
• Auditing AI models for Verified Deployment under Semantic Specifications [65.12401653917838]
  AuditAIは、解釈可能な形式検証とスケーラビリティのギャップを埋める。 AuditAIは、画素空間の摂動のみを用いた検証の限界に対処しながら、検証と認定トレーニングのための制御されたバリエーションを得られるかを示す。
  論文  参考訳（メタデータ） (2021-09-25T22:53:24Z)
• Multimodal End-to-End Learning for Autonomous Steering in Adverse Road and Weather Conditions [0.0]
  自動ステアリングにおけるエンド・ツー・エンドの学習に関するこれまでの研究を,マルチモーダルデータを用いた有害な実生活環境での運用に拡張する。 道路および気象条件下で28時間の運転データを収集し,車両のハンドル角度を予測するために畳み込みニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2020-10-28T12:38:41Z)
• Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
  センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。 我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
  論文  参考訳（メタデータ） (2020-08-13T17:20:02Z)
• Towards Automated Safety Coverage and Testing for Autonomous Vehicles with Reinforcement Learning [0.3683202928838613]
  検証は、システムが日々の運転で遭遇する可能性のあるシナリオや状況において、自動運転車システムをテストに投入する。 本稿では,AVソフトウェア実装における障害事例と予期せぬ交通状況を生成するために強化学習(RL)を提案する。
  論文  参考訳（メタデータ） (2020-05-22T19:00:38Z)

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。