Towards Scenario- and Capability-Driven Dataset Development and Evaluation: An Approach in the Context of Mapless Automated Driving

要約

ディープラーニングモデルの機能を定義する上でのデータセットの基本的な役割により、急速な増殖につながりました。
同時に、自動化された運転における環境認識のためのデータセット開発のプロセスに焦点を当てた公開された研究は不足しており、それにより、公然と利用可能なデータセットの適用性を低下させ、効果的な環境知覚システムの開発を妨げました。
センサーベースのMapless Automated Drivingは、この制限が明らかなコンテキストの1つです。
リアルタイムセンサーデータを活用する一方で、事前に定義されたHDマップの代わりに、予期しない環境の変化を効果的にナビゲートすることにより、適応性と安全性が向上することを約束しますが、Perception Systemが提供する情報の範囲と複雑さの要求も増加させます。
これらの課題に対処するために、データセット開発に対するシナリオおよび能力ベースのアプローチを提案します。
ISO/TR 4804によって拡張されたISO 21448（意図された機能の安全性、SOTIFの安全性）に基づいて、当社のアプローチは、データセット要件の構造化された導出を促進します。
これは、意味のある新しいデータセットの開発に役立つだけでなく、既存のデータセットの効果的な比較を可能にします。
この方法論を広範囲の既存のレーン検出データセットに適用すると、特に現実世界の適用性、重要な機能のラベル付けの欠如、複雑な駆動操作のための包括的な情報がないという点で、現在のデータセットの大きな制限を特定します。

要約(オリジナル)

The foundational role of datasets in defining the capabilities of deep learning models has led to their rapid proliferation. At the same time, published research focusing on the process of dataset development for environment perception in automated driving has been scarce, thereby reducing the applicability of openly available datasets and impeding the development of effective environment perception systems. Sensor-based, mapless automated driving is one of the contexts where this limitation is evident. While leveraging real-time sensor data, instead of pre-defined HD maps promises enhanced adaptability and safety by effectively navigating unexpected environmental changes, it also increases the demands on the scope and complexity of the information provided by the perception system. To address these challenges, we propose a scenario- and capability-based approach to dataset development. Grounded in the principles of ISO 21448 (safety of the intended functionality, SOTIF), extended by ISO/TR 4804, our approach facilitates the structured derivation of dataset requirements. This not only aids in the development of meaningful new datasets but also enables the effective comparison of existing ones. Applying this methodology to a broad range of existing lane detection datasets, we identify significant limitations in current datasets, particularly in terms of real-world applicability, a lack of labeling of critical features, and an absence of comprehensive information for complex driving maneuvers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google