論文の概要: Assessing the Quality of Concrete Scenarios Generated from Scenario Classes for Automated Driving

• arxiv url: http://arxiv.org/abs/2610.18169v1
• Date: Tue, 13 Oct 2026 11:15:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:01:37.394441
• Title: Assessing the Quality of Concrete Scenarios Generated from Scenario Classes for Automated Driving
• Title（参考訳）: 自動走行のためのシナリオクラスから発生するコンクリートの品質評価
• Abstract要約: シナリオベースの開発アプローチは、自動走行システムの最先端となっている。 このようなアプリケーションでは、生成された具体的なシナリオ間で高い多様性が最重要である。 シナリオ距離測定を,具体的なシナリオコレクションの多様性を定量化する,いわゆる品質関数に集約する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A scenario-based development approach has become state of the art for automated driving systems. Once a set of scenario classes covering the operational design domain is available, concrete scenarios are generated from these scenario classes, e.g., to be used for hazard analysis and risk assessment or for the system's verification and validation. For such applications, a high diversity among the generated concrete scenarios is paramount. The question arises how the quality of collections of concrete scenarios can be assessed in such a setting. In this work, we aggregate scenario distance measures into so-called quality functions that quantify the diversity of concrete scenario collections in the context of automated driving. In particular, we consider the case where scenario classes are formalized as constraint systems and the associated concrete scenario space is not explicitly known. Based on a set of desired properties we construct candidates for such quality functions and give proofs for their property fulfillment. To show the practical relevance of quality functions, we perform a variety of experiments in the context of an abstract scenario-based virtual verification toolchain for automated driving systems. More specifically, we use quality functions to compare the effectiveness of variation methods for sampling, examine the choice of different scenario distance measures, and investigate the effects of temporal aspects on concrete scenario collection quality.
• Abstract（参考訳）: シナリオベースの開発アプローチは、自動走行システムにおける最先端のアプローチとなっている。 運用設計ドメインをカバーする一連のシナリオクラスが利用可能になると、リスク分析やリスク評価、システムの検証や検証に使用されるこれらのシナリオクラスから具体的なシナリオが生成される。 このようなアプリケーションでは、生成された具体的なシナリオ間で高い多様性が最重要である。 この問題は、そのような環境で具体的なシナリオの収集の質をどのように評価することができるかという問題である。 本研究では,自動走行の文脈において,シナリオ距離測定を,具体的なシナリオコレクションの多様性を定量化する,いわゆる品質関数に集約する。 特に,シナリオクラスが制約系として形式化され,関連する具体的なシナリオ空間が明確でない場合を考える。 所望の性質の集合に基づいて、そのような品質関数の候補を構築し、それらの性質を満たすための証明を与える。 品質関数の実用的妥当性を示すために,我々は,自動走行システムのための抽象シナリオベースの仮想検証ツールチェーンのコンテキストにおいて,様々な実験を行う。 具体的には,異なるシナリオ距離尺度の選択と時間的側面が具体的なシナリオの収集品質に与える影響について検討し,サンプリング手法の有効性を比較するために品質関数を用いる。

関連論文リスト

• Scenario-Based Compositional Statistical Model Checking for Safety Specifications [4.319948226669653]
  本研究は,安全・共同安全仕様のためのシナリオベースの構成SMCフレームワークを紹介する。 提案手法では,シナリオをプリミティブと仕様に分解し,各プリミティブを独立に検証し,その結果の統計的推定値を構成する。
  論文  参考訳（メタデータ） (2026-10-04T22:13:46Z)
• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• 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)
• GOOSE: Goal-Conditioned Reinforcement Learning for Safety-Critical Scenario Generation [0.14999444543328289]
  ゴール条件付きシナリオ生成(Goal-conditioned Scenario Generation、GOOSE)は、ゴール条件付き強化学習(RL)アプローチで、安全クリティカルなシナリオを自動的に生成する。 安全クリティカルな事象につながるシナリオを生成する上でのGOOSEの有効性を実証する。
  論文  参考訳（メタデータ） (2024-06-06T08:59:08Z)
• 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)
• Clustering-based Criticality Analysis for Testing of Automated Driving Systems [0.18416014644193066]
  本稿では,1つの論理シナリオから具体的なシナリオをクラスタリングすることで設定したシナリオを削減するという目標に焦点をあてる。 クラスタリング技術を利用することで、冗長で非関心なシナリオを識別および排除することが可能になり、典型的なシナリオセットとなる。
  論文  参考訳（メタデータ） (2023-06-22T08:36:20Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• Class-Specific Variational Auto-Encoder for Content-Based Image Retrieval [95.42181254494287]
  本稿では,変分自動エンコーダ(VAE)に対する正規化損失を提案する。 その結果、モデルは、関心のクラスに属するデータを他のあらゆる可能性から識別することを学ぶ。 実験の結果,提案手法はドメイン内およびドメイン外検索における競合よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-23T19:51:25Z)
• 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)
• Learning to Collide: An Adaptive Safety-Critical Scenarios Generating Method [20.280573307366627]
  本稿では,タスクアルゴリズム評価のための安全クリティカルなシナリオを作成するための生成フレームワークを提案する。 提案手法は,グリッド探索や人的設計手法よりも安全クリティカルなシナリオを効率的に生成できることを実証する。
  論文  参考訳（メタデータ） (2020-03-02T21:26:03Z)

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。