Towards Scenario-based Safety Validation for Autonomous Trains with Deep Generative Models

要約

最新の AI 技術は自動運転車の可能性をますます広げていますが、そのようなシステムの信頼性を適切に検証する方法は依然として不明です。
一般的なアプローチは、テスト対象のシステムが適切に動作するために必要な特定の条件を記述する、事前定義された運用設計ドメイン (ODD) に基づいて安全性検証を実施することです。
ただし、包括的な ODD カバレッジを確保するために十分な現実的なテスト ケースを収集することは困難です。
この論文では、シナリオベースの ODD 検証における深い生成モデルを使用したデータ シミュレーションの有用性に関する実際の経験を報告します。
自動列車運行をサポートするために設計された、カメラベースの鉄道シーン分割システムの具体的な使用例を検討します。
限られた量のテスト データをより代表的にするために、深い生成モデルを使用して鉄道シーンを意味論的に編集する機能を実証します。
また、私たちのアプローチがシステムが典型的な ODD 要件にどの程度準拠しているかを分析するのにどのように役立つかも示します。
具体的には、さまざまな照明や気象条件下、およびそれらの間の移行中の適切な動作を評価することに重点を置いています。

要約(オリジナル)

Modern AI techniques open up ever-increasing possibilities for autonomous vehicles, but how to appropriately verify the reliability of such systems remains unclear. A common approach is to conduct safety validation based on a predefined Operational Design Domain (ODD) describing specific conditions under which a system under test is required to operate properly. However, collecting sufficient realistic test cases to ensure comprehensive ODD coverage is challenging. In this paper, we report our practical experiences regarding the utility of data simulation with deep generative models for scenario-based ODD validation. We consider the specific use case of a camera-based rail-scene segmentation system designed to support autonomous train operation. We demonstrate the capabilities of semantically editing railway scenes with deep generative models to make a limited amount of test data more representative. We also show how our approach helps to analyze the degree to which a system complies with typical ODD requirements. Specifically, we focus on evaluating proper operation under different lighting and weather conditions as well as while transitioning between them.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google