Causality-based Transfer of Driving Scenarios to Unseen Intersections

要約

自動運転機能のシナリオベースのテストは、実際のテストと比較して時間とコストを削減する有望な方法となっています。
シナリオベースのテストでは、自動化された機能が事前定義された一連のシナリオで評価されます。
これらのシナリオは、パラメーターを使用して、車両の動作、環境条件、または道路の特性に関する情報を提供します。
現実的なシナリオを作成するには、実世界のデータを利用してパラメーターとパラメーターの依存関係を適合させる必要があります。
ただし、現実には多種多様な交差点や移動コンスタレーションが存在するため、特定のシナリオではデータを利用できない場合があります。
本稿では、シナリオのパラメータ間の関係を体系的に分析する方法論を提案します。
ベイジアン ネットワークは、必要なデータの量を減らし、目に見えないシナリオを作成する因果パターンを転送するために、因果関係を分析するために利用されます。
これにより、移動パターンに対するインフラストラクチャの影響が調査され、観測されていない交差点での現実的なシナリオが生成されます。
評価のために、シナリオと基礎となるパラメーターが inD データセットから抽出されます。
移動パターンは推定され、転送され、最初は見えなかった交差点からの記録データと照合されます。

要約(オリジナル)

Scenario-based testing of automated driving functions has become a promising method to reduce time and cost compared to real-world testing. In scenario-based testing automated functions are evaluated in a set of pre-defined scenarios. These scenarios provide information about vehicle behaviors, environmental conditions, or road characteristics using parameters. To create realistic scenarios, parameters and parameter dependencies have to be fitted utilizing real-world data. However, due to the large variety of intersections and movement constellations found in reality, data may not be available for certain scenarios. This paper proposes a methodology to systematically analyze relations between parameters of scenarios. Bayesian networks are utilized to analyze causal dependencies in order to decrease the amount of required data and to transfer causal patterns creating unseen scenarios. Thereby, infrastructural influences on movement patterns are investigated to generate realistic scenarios on unobserved intersections. For evaluation, scenarios and underlying parameters are extracted from the inD dataset. Movement patterns are estimated, transferred and checked against recorded data from those initially unseen intersections.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google