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

要約

深層学習モデルの機能を定義する際のデータセットの基本的な役割により、その急速な普及が進んでいます。
同時に、自動運転における環境認識のためのデータセット開発プロセスに焦点を当てた発表された研究はほとんどなく、そのためオープンに利用可能なデータセットの適用性が低下し、効果的な環境認識システムの開発が妨げられています。
センサーベースのマップレス自動運転は、この制限が明らかになる状況の 1 つです。
事前定義された HD マップの代わりにリアルタイムのセンサー データを活用することで、予期せぬ環境の変化に効果的に対処することで適応性と安全性の向上が約束されますが、認識システムによって提供される情報の範囲と複雑さに対する要求も高まります。
これらの課題に対処するために、私たちはデータセット開発に対するシナリオおよび機能ベースのアプローチを提案します。
ISO 21448 (意図された機能の安全性、SOTIF) の原則に基づいて、ISO/TR 4804 によって拡張された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容易にします。
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との効果的な比較も可能になります。
この方法論を既存の広範囲の車線検出データセットに適用すると、特に現実世界への適用性、重要な特徴のラベル付けの欠如、複雑な運転操作のための包括的な情報の欠如という点で、現在のデータセットの重大な制限が特定されました。

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