Toward Unsupervised Test Scenario Extraction for Automated Driving Systems from Urban Naturalistic Road Traffic Data

要約

タイトル：都市自然交通データから自動運転システムの無監督試験シナリオ抽出に向けて

要約：
– シナリオベースのテストは、自動運転システムを搭載した車両の安全な振る舞いを証明するための有望なアプローチである。
– 実際の交通では理論的に無限の具体的なシナリオが発生するため、これらのシステムの安全に関連する振る舞いに関連するシナリオの抽出は、その成功的な検証と検証のための重要な側面である。
– このため、エキスパート知識なしで、可能な限りバイアスのかかった前提知識を最小限に抑える方法として、自然交通データから多様な都市交通シナリオを無監督で抽出する方法が提案されている。
– これまでの手法とは異なり、定義済みの機能シナリオに具体的なシナリオを割り当てるための手法ではなく、無監督の機械学習パイプラインを展開する。
– この手法により、データの未知の性質と、エキスパートが予見できなかったテストシナリオとしての解釈を探索することができる。
– この手法は、inDとSilicon Valley Intersectionsのデータセットからの自然交通データに対して評価されており、クラスタリングアプローチ（K-Means、階層クラスタリング、およびDBSCAN）とともにシナリオ抽出方法が最も優れているかを分析するために実施されている。
– 結果として、階層クラスタリングを使用して、4から5クラスに移動することで全体的な精度が約20％向上し、41クラスで全体的な精度が84％になり、機能シナリオ（つまり、クラスタリングの精度）とテスト努力のトレードオフの文脈では貴重な貢献である場合がある。
– 各固定総クラスタ数の異なるクラスタの精度の観察されたバリエーションの可能性のある理由については、議論されている。

要約(オリジナル)

Scenario-based testing is a promising approach to solve the challenge of proving the safe behavior of vehicles equipped with automated driving systems. Since an infinite number of concrete scenarios can theoretically occur in real-world road traffic, the extraction of scenarios relevant in terms of the safety-related behavior of these systems is a key aspect for their successful verification and validation. Therefore, a method for extracting multimodal urban traffic scenarios from naturalistic road traffic data in an unsupervised manner, minimizing the amount of (potentially biased) prior expert knowledge, is proposed. Rather than an (elaborate) rule-based assignment by extracting concrete scenarios into predefined functional scenarios, the presented method deploys an unsupervised machine learning pipeline. The approach allows exploring the unknown nature of the data and their interpretation as test scenarios that experts could not have anticipated. The method is evaluated for naturalistic road traffic data at urban intersections from the inD and the Silicon Valley Intersections datasets. For this purpose, it is analyzed with which clustering approach (K-Means, hierarchical clustering, and DBSCAN) the scenario extraction method performs best (referring to an elaborate rule-based implementation). Subsequently, using hierarchical clustering the results show both a jump in overall accuracy of around 20% when moving from 4 to 5 clusters and a saturation effect starting at 41 clusters with an overall accuracy of 84%. These observations can be a valuable contribution in the context of the trade-off between the number of functional scenarios (i.e., clustering accuracy) and testing effort. Possible reasons for the observed accuracy variations of different clusters, each with a fixed total number of given clusters, are discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI