SURE-Val: Safe Urban Relevance Extension and Validation

要約

自動運転システムの知覚コンポーネントを評価するためには、関連オブジェクトを定義する必要がある。都市領域は知覚データセットの中ではポピュラーであるが、この領域では関連性の定義が不十分である。そこで本研究では、高速道路領域における関連性を定義する既存の手法を採用し、それを都市領域に拡張する。関連性の様々な概念化と定義が文献に存在する一方で、これらの定義を検証する手法が不足している。そこで本研究では、動き予測コンポーネントを活用した新しい関連性検証手法を提示する。この検証では、無関係な物体を除去しても、人間の運転行動を反映する予測要素に影響を及ぼすべきではないという考え方を活用する。予測への影響は、大規模データセットにわたる予測性能の統計的分布を考慮することで定量化される。検証手順は、特に関連オブジェクトを除外するように設計された基準を用いて検証される。検証方法は、本研究で得られた関連性基準にうまく適用され、その妥当性を裏付けている。

要約(オリジナル)

To evaluate perception components of an automated driving system, it is necessary to define the relevant objects. While the urban domain is popular among perception datasets, relevance is insufficiently specified for this domain. Therefore, this work adopts an existing method to define relevance in the highway domain and expands it to the urban domain. While different conceptualizations and definitions of relevance are present in literature, there is a lack of methods to validate these definitions. Therefore, this work presents a novel relevance validation method leveraging a motion prediction component. The validation leverages the idea that removing irrelevant objects should not influence a prediction component which reflects human driving behavior. The influence on the prediction is quantified by considering the statistical distribution of prediction performance across a large-scale dataset. The validation procedure is verified using criteria specifically designed to exclude relevant objects. The validation method is successfully applied to the relevance criteria from this work, thus supporting their validity.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL