自动驾驶系统基于搜索的场景生成中噪声的处理
机器人学
2021-09-17 v1
摘要
本文首次在真实案例研究中评估了 k-近邻平均（kNN-Avg）方法。kNN-Avg 是一种应对含噪声多目标优化（MOO）挑战的新技术。现有研究建议通过重复执行来克服噪声。相反，kNN-Avg 近似这些重复并利用先前的执行，从而避免了重新运行的开销。我们将 kNN-Avg 用于真实世界自动驾驶系统（ADS）的场景生成，并表明其优于含噪声基线。此外，我们将其与重复方法进行比较，并给出在不同情况下应选择何种方法的指示。
引用
@article{arxiv.2109.07698,
title = {Handling Noise in Search-Based Scenario Generation for Autonomous Driving Systems},
author = {Stefan Klikovits and Paolo Arcaini},
journal= {arXiv preprint arXiv:2109.07698},
year = {2021}
}
备注
26th IEEE Pacific Rim International Symposium on Dependable Computing (PRDC 2021)