Scene-Extrapolation: Generating Interactive Traffic Scenarios

要約

高度に自動化された運転機能の検証は困難な場合があり、関連するテスト シナリオを特定する必要があります。
シナリオベースのテストは、これらのシステムの検証において重要な役割を果たす可能性が高く、主にシミュレーション内で行われます。
私たちのアプローチでは、交通シーンを開始点 (シードシーン) として使用して、さまざまな高度に自動化された運転機能の個別性に対処し、事前定義されたテスト交通シナリオに関連する問題を回避します。
異なる高度な自動運転機能、またはその異なる反復は、同じ動作条件下でも異なる動作を示す場合があります。
シードシーンについて一般化可能なステートメントを作成するために、さまざまな行動プロファイルに基づいて考えられる結果をシミュレートします。
私たちは軽量シミュレーション環境を利用し、シナリオ内の個々のアクターに対するルールベースの機械学習動作モデルを導入します。
さまざまな重要性の指標を使用して、結果として得られるシナリオを分析します。
結果として得られる臨界値の密度分布により、さまざまな事態を考慮して、特定のシーンの重要性について深い説明を行うことができます。

要約(オリジナル)

Verifying highly automated driving functions can be challenging, requiring identifying relevant test scenarios. Scenario-based testing will likely play a significant role in verifying these systems, predominantly occurring within simulation. In our approach, we use traffic scenes as a starting point (seed-scene) to address the individuality of various highly automated driving functions and to avoid the problems associated with a predefined test traffic scenario. Different highly autonomous driving functions, or their distinct iterations, may display different behaviors under the same operating conditions. To make a generalizable statement about a seed-scene, we simulate possible outcomes based on various behavior profiles. We utilize our lightweight simulation environment and populate it with rule-based and machine learning behavior models for individual actors in the scenario. We analyze resulting scenarios using a variety of criticality metrics. The density distributions of the resulting criticality values enable us to make a profound statement about the significance of a particular scene, considering various eventualities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google