On-Demand Scenario Generation for Testing Automated Driving Systems

要約

自動化された運転システム（ADS）の安全性と信頼性は最重要であり、展開前に潜在的な障害を発見するために厳しいテスト方法論を必要とします。
従来のテストアプローチは、自然なシナリオサンプリングまたは安全性の高いシナリオ生成のいずれかを優先し、過度に単純化または非現実的な危険テストをもたらします。
実際には、自然シナリオの需要（例えば、実際の条件での広告の信頼性を評価する場合）、重要なシナリオ（例：重大な状況で安全性を評価するとき）、またはその間のどこか（例えば、文明ドライバーが少ない地域の広告をテストする場合）は、テストの客観的に応じて異なります。
この問題に対処するために、さまざまなリスクレベルで多様なシナリオを生成するオンデマンドシナリオ生成（OSG）フレームワークを提案します。
OSGの目標を達成することは、複雑な車両と環境の相互作用に起因する臨界性と自然性を定量化する複雑さと、さまざまなリスクレベルにわたってシナリオの多様性を維持する必要性のために、困難です。
OSGは、実際のトラフィックデータセットから学習し、リスク強度レギュレーターを使用してリスクレベルを定量的に制御します。
また、シナリオの多様性を確保するために、改善されたヒューリスティック検索方法を活用します。
さまざまなADSを使用して、CarlaシミュレーターのOSGを評価します。
さまざまなリスクレベルでシナリオを生成するOSGの能力を検証し、リスクレベル全体で事故タイプを比較することにより、その必要性を示します。
OSGの助けを借りて、さまざまなリスクレベルに基づいて、さまざまなADSのパフォーマンスを体系的かつ客観的に比較できるようになりました。

要約(オリジナル)

The safety and reliability of Automated Driving Systems (ADS) are paramount, necessitating rigorous testing methodologies to uncover potential failures before deployment. Traditional testing approaches often prioritize either natural scenario sampling or safety-critical scenario generation, resulting in overly simplistic or unrealistic hazardous tests. In practice, the demand for natural scenarios (e.g., when evaluating the ADS’s reliability in real-world conditions), critical scenarios (e.g., when evaluating safety in critical situations), or somewhere in between (e.g., when testing the ADS in regions with less civilized drivers) varies depending on the testing objectives. To address this issue, we propose the On-demand Scenario Generation (OSG) Framework, which generates diverse scenarios with varying risk levels. Achieving the goal of OSG is challenging due to the complexity of quantifying the criticalness and naturalness stemming from intricate vehicle-environment interactions, as well as the need to maintain scenario diversity across various risk levels. OSG learns from real-world traffic datasets and employs a Risk Intensity Regulator to quantitatively control the risk level. It also leverages an improved heuristic search method to ensure scenario diversity. We evaluate OSG on the Carla simulators using various ADSs. We verify OSG’s ability to generate scenarios with different risk levels and demonstrate its necessity by comparing accident types across risk levels. With the help of OSG, we are now able to systematically and objectively compare the performance of different ADSs based on different risk levels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google