An LSTM-based Test Selection Method for Self-Driving Cars

要約

自動運転車には大規模なテストが必要であり、時間の面でコストがかかる可能性があります。
このプロセスを最適化するには、単純で単純なテストを除外し、代わりに困難なテストに重点を置く必要があります。
この研究は、自動運転車の車線維持システムのテスト選択問題に取り組んでいます。
角度や長さなどの道路セグメントの特徴が抽出され、シーケンスとして扱われるため、長期短期記憶 (LSTM) モデルを使用してテスト ケースを「安全」または「安全でない」に分類できるようになりました。
提案されたモデルは、機械学習ベースのテスト セレクターと比較されます。
結果は、LSTM ベースの手法が精度と精度メトリックの点で機械学習ベースの手法を上回り、再現率と F1 スコアでは同等のパフォーマンスを示したことが実証されました。
この研究では、道路分類問題に対するディープ ラーニング ベースの新しいアプローチを導入し、シミュレーション環境を使用した自動運転車のテスト選択に効果的なソリューションを提供します。

要約(オリジナル)

Self-driving cars require extensive testing, which can be costly in terms of time. To optimize this process, simple and straightforward tests should be excluded, focusing on challenging tests instead. This study addresses the test selection problem for lane-keeping systems for self-driving cars. Road segment features, such as angles and lengths, were extracted and treated as sequences, enabling classification of the test cases as ‘safe’ or ‘unsafe’ using a long short-term memory (LSTM) model. The proposed model is compared against machine learning-based test selectors. Results demonstrated that the LSTM-based method outperformed machine learning-based methods in accuracy and precision metrics while exhibiting comparable performance in recall and F1 scores. This work introduces a novel deep learning-based approach to the road classification problem, providing an effective solution for self-driving car test selection using a simulation environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google