自動運転車両テストのための責任帰属型敵対的シナリオ学習
Learning Responsibility-Attributed Adversarial Scenarios for Testing Autonomous Vehicles
自動運転システムの安全性検証において、衝突がシステムの欠陥によるものか交通上の不可避な衝突かを区別するため、責任帰属を敵対的シナリオ生成に組み込んだフレームワークCARSを提案した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Yizhuo Xiao, Haotian Yan, Ying Wang, Zhongpan Zhu, Yuxin Zhang, Xintao Yan, Mustafa Suphi Erden, Cheng Wang
分類: cs.RO, cs.SE, cs.SY, eess.SY
原文アブストラクト
Establishing trustworthy safety assurance for autonomous driving systems (ADSs) requires evidence that failures arise from avoidable system deficiencies rather than unavoidable traffic conflicts. Current adversarial simulation methods can efficiently expose collisions, but generally lack mechanisms to distinguish these fundamentally different failure modes. Here we present CARS (Context-Aware, Responsibility-attributed Scenario generation), a framework that integrates responsibility attribution directly into adversarial scenario generation. CARS combines context-aware adversary selection with a generative adversarial policy optimized in closed-loop simulation to construct collision scenarios that are both physically feasible and diagnostically attributable. Across benchmark datasets spanning heterogeneous national traffic environments, CARS consistently discovers feasible collision scenarios with high attribution rates under multiple regulation-prescribed careful and competent driver models. By coupling adversarial generation with normative responsibility assessment, CARS moves simulation testing beyond collision discovery toward the construction of interpretable, regulation-aligned safety evidence for scalable ADS validation.
関連論文
- 重要度サンプリングとPCAによる商用自動運転車の故障発見自動運転/安全性検証
- インテリジェント交差点の安全性保証：時相論理と到達可能性解析の融合自動運転/安全性検証
- モデル学習に基づく自動運転システムの安全性解析自動運転/安全性検証
- シナリオサンプリングによる自動運転システムの安全性保証：不変集合の視点からの理論的枠組み自動運転/安全性検証
- 自動運転車の検証・妥当性確認と安全性保証のためのカバレッジベーステスト：系統的文献レビュー自動運転/安全性検証
