← Blog

Paper F Paper Group Planning v1 : génération de scénarios critiques pour la sécurité des drones, couverture et application d'urgence

Plusieurs itinéraires papier sont prévus pour la génération de scènes critiques pour la sécurité des drones, la couverture de scènes, la corrélation de scènes ville-locale et les instructions d'allocation des ressources de sauvetage d'urgence à grande vitesse.

Papier Fdronegénération de scènecouverture de la scèneCritique pour la sécuritétests accéléréssecours d'urgenceTR-CT-ITS

Paper F Paper group planning v1 : Génération de scénarios critiques pour la sécurité des drones, couverture et application d’urgence

Jugement global : en plus de la planification du système sur cent niveaux du papier B, de la détection active 3DGS/FIM du papier C et de la planification linguistique LLM/LTL du papier E, vous pouvez également ouvrir une ligne de papier séparée pour l’ingénierie de scénarios critiques pour la sécurité des drones.
L’essentiel de cette ligne n’est pas de créer un autre algorithme d’évitement d’obstacles, mais de répondre : **Comment générer, couvrir, filtrer et réutiliser systématiquement les scénarios clés de sécurité des drones afin que la formation, les tests, l’envoi d’urgence et les expériences papier ultérieurs disposent d’une base de scénarios crédible. **

1. Jugement global : Quelles autres instructions peuvent être écrites ?

Il existe actuellement plusieurs lignes de papier axées sur différentes problématiques :

Ligne de thèseObjets de baseDéjà couvertNe devrait pas être répété
Papier BDes centaines de flottes de dronesOrdonnancement hiérarchique à trois niveaux, théorie des files d’attente, Lyapunov, transport multimodalNe plus écrire séparément la planification de la flotte à grande échelle
Papier CDétection active des drones3DGS, informations Fisher, prochaine meilleure vueNe se concentre plus sur la cartographie/sélection de perspectives
Papier EDu langage à la planificationLLM, TaskIR, LTL/STL, vérification formelleNe se concentre plus sur la planification des tâches en langage naturel
Papier FIngénierie de scèneGénération de scènes, couverture, scènes dangereuses, applications d’urgenceNouvelles orientations

La valeur de Paper F est qu’il peut devenir l’infrastructure expérimentale pour les articles précédents :

2. Conception hiérarchique des groupes de papier

Il est recommandé de planifier l’épreuve F en 4 épreuves progressives :

NiveauPapierPositionnement en une phrasePriorité
F1Banc CovUAVRéférence de couverture des scènes critiques pour la sécurité des dronesLe plus haut
F2Tests accélérés guidés par la couvertureAlgorithme de génération d’accélération de scènes dangereuses guidé par la couvertureLe plus haut
F3City2Local-UAVCréer une génération de scène hiérarchique depuis l’ODD global de la ville jusqu’à la combinaison d’obstacles locauxMoyen à élevé
F4Intervention d’urgence adaptée aux scénariosDéploiement d’urgence collaboratif des ressources au sol d’UAV à grande vitesse du ShandongMoyen à élevé

Il est recommandé de faire F1 + F2 en premier. F1 fournit l’ensemble de données, les métriques et la définition du problème, et F2 fournit les contributions algorithmiques. F3 et F4 peuvent être utilisés comme extensions : F3 transforme la référence en un système à l’échelle de la ville, et F4 transforme l’ingénierie de scène en une véritable activité d’urgence routière.

3. Contexte commun : Pourquoi la couverture de scène est le fondement de la recherche sur la sécurité des drones

Une faiblesse courante dans la recherche sur la sécurité des drones est la suivante : l’algorithme est magnifiquement conçu, mais le scénario expérimental est trop arbitraire. Ce n’est pas parce qu’un algorithme d’évitement d’obstacles réussit dans 20 scénarios manuels qu’il couvre les risques à longue traîne dans les opérations urbaines à basse altitude.Un consensus clair a été atteint dans le domaine de la conduite autonome : les accidents/quasi-accidents sur des routes réelles sont des événements rares, et s’appuyer directement sur des tests naturels serait extrêmement inefficace. Par conséquent, Shuo Feng et al. ont proposé un environnement naturaliste et contradictoire, utilisant la distribution naturelle pour maintenir l’authenticité et utilisant la distribution contradictoire pour augmenter la probabilité d’événements dangereux, accélérant ainsi les tests de conduite intelligents [1]. Ils ont en outre proposé de générer une bibliothèque de scénarios de test, en définissant la bibliothèque de scénarios de test sous ODD comme un ensemble de scénarios représentatifs et critiques, et en utilisant la criticité pour prendre en compte la fréquence d’exposition et le défi de manœuvre [2] [3]. L’examen de Ding et al. sur la génération de scénarios critiques pour la sécurité a également classé le domaine en trois types de méthodes : basées sur les données, contradictoires et basées sur les connaissances, et a souligné que la fidélité, l’efficacité, la diversité, la transférabilité et la contrôlabilité sont des défis majeurs [13].

Le scénario des drones nécessite encore plus cet ensemble d’idées pour quatre raisons :

  1. **L’espace tridimensionnel est une dimension supérieure. ** Les drones ne concernent pas seulement les voies plates, mais aussi l’altitude, le volume des obstacles, le champ de vent, la charge électrique, le champ de vision des capteurs et la dynamique de vol.

  2. **Les événements dangereux sont plus difficiles à collecter. ** Il existe très peu d’échantillons de collisions réelles avec des bâtiments, de collisions de lignes, d’entrée dans des zones d’exclusion aérienne, de traversées de ponts ou de scènes d’accidents à grande vitesse, et la formation ne peut pas s’appuyer sur des données réelles d’accidents.

  3. **La génération aléatoire ordinaire gaspille de la puissance de calcul. ** Un grand nombre de scénarios aléatoires sont soit trop simples, soit physiquement irréalisables, soit dangereux mais inévitables, ce qui les rend inefficaces pour la formation et l’évaluation.

  4. **Il n’existe pas de mesure unifiée de la couverture des scènes. ** Les articles existants sur les drones font souvent état du taux de réussite/taux de collision, mais indiquent rarement quelles combinaisons d’obstacles, géométries locales, difficultés de tâche et limites ODD sont couvertes par l’ensemble de tests.

Par conséquent, les questions scientifiques courantes pour l’article F sont :

Comment construire un système de génération et d’évaluation de scénarios de drones qui soit réel, contrôlable et reproductible, et capable de couvrir efficacement les principaux risques de sécurité à longue traîne ?

4. Document F1 : Couverture des scènes critiques pour la sécurité des drones

4.1 Titre de la thèseCovUAV-Bench : une référence axée sur la couverture pour les scénarios de navigation de drones critiques pour la sécurité

4.2 Contexte

SafeBench fournit déjà une référence unifiée pour la sécurité dans la conduite autonome, intégrant plusieurs types de modèles de scène, d’algorithmes de génération de scène et d’indicateurs d’évaluation [5]. Scenic a également prouvé que l’utilisation de programmes probabilistes pour exprimer la distribution de scènes, les contraintes dures et les contraintes douces est une voie réalisable [4]. Des travaux préliminaires ont été réalisés sur la génération d’environnements de simulation d’UAV. Par exemple, Nakama et al. ont proposé un générateur automatisé d’environnement de simulation d’UAV [10]. FADS a également montré que les spécifications de sécurité de logique temporelle peuvent entrer dans le pipeline de sécurité des drones autonomes [11]. Cependant, dans le domaine des drones, il manque encore une référence orientée couverture pour l’évitement d’obstacles 3D, les couloirs à basse altitude, les espaces urbains locaux et les tâches d’urgence.

Le but de F1 n’est pas de proposer le planificateur le plus performant, mais de définir comment l’espace de la scène du drone est couvert par le système.

4.3 Méthode

Construire un espace de test de base de 50 mx 50 mx 50 m, en commençant par les scènes locales puis en l’étendant aux îlots urbains :- Objets de scène : blocs de construction, tours, fils, arbres, ponts, obstacles temporaires, drones dynamiques, véhicules terrestres, zones du personnel.

La couverture de scène est définie comme :

Où est l’espace de scène discrétisé de l’ODD cible, est le compartiment couvert par l’ensemble d’échantillons sur la ème dimension d’attribut de classe, et est le poids de la dimension.

Les 76 millions d’explorations existantes peuvent être écrites sous la forme “Actifs de journaux d’exploration existants” à des fins statistiques :

Remarque : 76 millions d’explorations sont uniquement écrites comme « base expérimentale disponible » et ne peuvent pas être écrites comme des conclusions vérifiées.

4.4 Lignes de base| Référence | Objectif |

|--------------|------| | Échantillonnage de scénarios aléatoires | La couverture de base la plus basique | | Échantillonnage de grille | Discrétisation uniforme de l’espace des paramètres | | Échantillonnage d’hypercube latin | Couverture des paramètres plus efficace | | Échantillonnage contraint de style scénique | Base de référence pour la génération de scènes contraintes [4] | | Suite de modèles de style SafeBench | Base de référence du scénario de sécurité modélisé [5] |

4.5 Points d’innovation

  1. Proposer une taxonomie de couverture de scènes de drones : ODD, combinaison d’obstacles, perturbation dynamique, type de tâche, niveau de risque.
  2. Donnez une référence axée sur la couverture au lieu de seulement quelques cartes manuelles.
  3. Convertissez le journal d’exploration en trous de couverture et en graines de scénarios critiques.
  4. Fournissez une interface de scène unifiée pour les documents B/C/E ultérieurs.

4.6 Comment évaluer

IndicateurSignification
Couverture des paramètresTaux de couverture des bacs de paramètres
Couverture par paire/t-wiseCouverture combinée multi-attributs
Densité des scénarios critiquesNombre de quasi-accidents/collisions découverts par budget de test unitaire
Taux de scénario invalideLa proportion de scénarios physiquement irréalisables ou dénués de sens pour la mission
Stabilité du classement du planificateurLe classement de l’algorithme est-il stable sous différentes graines aléatoires
Reproductibilité de la relectureSi le même résultat peut être reproduit avec la même graine

4.7 Contributions recommandées

5. Paper F2 : Accélérer la génération de scènes dangereuses guidée par la couverture### 5.1 Titre de la thèse

Tests accélérés guidés par la couverture pour éviter les obstacles critiques aux drones

5.2 Contexte

L’essentiel des tests accélérés pour la conduite autonome n’est pas de « créer des scénarios d’accident inévitables », mais d’améliorer l’efficacité de l’échantillonnage des événements critiques pour la sécurité tout en préservant l’authenticité et la possibilité d’action de la scène [1] [2] [3]. Si le scénario généré n’est réalisable pour aucun planificateur, il ne peut alors pas aider à différencier les capacités de l’algorithme ; si le scénario généré est trop sûr, il ne peut pas révéler les faiblesses du système.

La formation à l’évitement d’obstacles par drone présente également le même problème :

5.3 Méthode

CGAT-UAV proposé : tests accélérés guidés par la couverture pour les drones.

L’algorithme se compose de quatre modules :

  1. Encodeur de scénario Encodez la scène en vecteurs structurés : nombre d’obstacles, largeur minimale du canal, direction cible, vitesse dynamique des obstacles, intensité du vent, bruit du capteur, marge de la batterie, etc.

  2. Mémoire de couverture Maintenez les catégories de couverture, les types de pannes et les performances du planificateur pour les scènes explorées.

  3. Score de criticité Référez-vous à l’idée de criticité de Feng et combinez le degré de risque avec la fréquence d’exposition [2] :

    Parmi eux, est utilisé pour punir les collisions inévitables et les scénarios physiquement déraisonnables.4. Générateur adaptatif Générez de nouvelles scènes dans les trous de couverture et les régions à haute criticité à l’aide des méthodes d’optimisation bayésienne, CMA-ES, d’édition RL ou d’entropie croisée.

5.4 Lignes de base

RéférenceObjectif de comparaison
Génération aléatoireTaux d’accélération des tests
Grille / Échantillonnage d’hypercube latinEfficacité de la couverture
Optimisation bayésienneRecherche dangereuse de boîte noire
CMA-ESRecherche paramétrique continue des dangers
Génération de scénarios contradictoires RLGénération de risques d’apprentissage
Génération contrainte scéniqueGénération de règles et de contraintes [4]
Génération guidée par la faisabilité de style FREAComparez l’idée d’« antagonisme raisonnable » [12]

5.5 Points d’innovation

  1. Migrer les tests accélérés de la conduite autonome vers l’évitement d’obstacles 3D par drone.
  2. Optimisez simultanément la couverture, la criticité et la faisabilité pour éviter de rechercher uniquement le taux de collision.
  3. Proposer un programme d’études guidé par la couverture pour former les planificateurs à des scénarios dangereux mais résolubles.
  4. Le taux d’accélération du test est donné : le nombre de simulations nécessaires pour atteindre le même intervalle de confiance est considérablement réduit.

5.6 Comment évaluer| Indicateur | Signification |

|------|------| | Facteur d’accélération | La réduction multiple du nombre de tests requis pour obtenir le même taux de découverte de pannes par rapport aux tests aléatoires | | Taux de découverte d’échecs | Le rapport collision / quasi-accident / délai d’attente découvert par unité de budget | | Criticité réalisable | Proportion de danger et stratégies réalisables pour éviter les obstacles | | Score de naturalité | Si la scène est conforme à ODD avant | | Gain de couverture pour 1 000 tests | Nouvelle couverture tous les 1000 tests | | Efficacité de la formation | Après une formation avec des scénarios générés, amélioration du planificateur en test de tenue |

5.7 Contributions recommandées

6. Paper F3 : Génération hiérarchique de scènes globales urbaines vers des combinaisons d’obstacles locaux

6.1 Titre de la thèse

City2Local-UAV : Génération de scénarios hiérarchiques depuis les ODD urbains jusqu’aux compositions d’obstacles locaux

6.2 Contexte

F1 et F2 abordent un espace de test local en 3D, mais les véritables vols urbains à basse altitude ne sont pas des boîtes isolées. La raison pour laquelle une scène locale apparaît dépend de la structure globale de la ville : niveaux des routes, densité des bâtiments, zones fonctionnelles, ponts, zones de service, échangeurs, hôpitaux, écoles, zones d’exclusion aérienne et points d’urgence.

ASAM OpenODD/OpenSCENARIO fournit une idée standardisée depuis ODD, le domaine d’exploitation actuel jusqu’à la description de scénario exécutable [6] [7]. Le domaine des drones peut apprendre de ce niveau d’abstraction, mais devra intégrer des obstacles tridimensionnels, des contraintes d’espace aérien et une sémantique de mission à basse altitude.

6.3 Méthode

Proposer un pipeline de production à trois niveaux, de la ville au local :

City-level ODD
  -> district / road / highway segment selection
  -> local 50m x 50m x 50m UAV test cell
  -> concrete obstacle composition
  -> simulator executable scenario

Modules spécifiques :- City ODD analyseur : extrayez la sémantique des villes/autoroutes d’OSM, des niveaux de route, des contours des bâtiments, des POI, des zones de service, des ponts et des entrées d’autoroute.

6.4 Lignes de base

RéférenceObjectif de comparaison
Génération locale aléatoire pureNe tient pas compte du contexte urbain
Conversion directe OSM vers carteConvertit uniquement la carte, ne contrôle pas la couverture de la scène
Génération de jumeau numérique CARLA / OSMBase de référence du jumeau numérique de conduite autonome au sol [14]
Modèles de scénarios manuelsModèles de règles manuelles
CityEngine / génération procédurale de villesBase de référence pour la génération procédurale de la ville

6.5 Points d’innovation

  1. Associer l’ODD urbain à la cellule locale de test de sécurité du drone.
  2. Proposer une génération de scène hiérarchique de « sémantique globale de la ville -> composition d’obstacles locaux ».
  3. Étendre la couverture de la scène des paramètres locaux à la couverture des zones fonctionnelles urbaines.
  4. Soutenir des études de cas de villes réelles, telles que les principaux carrefours routiers de Jinan, Qingdao et Shandong.

6.6 Comment évaluer| Indicateur | Signification |

|------|------| | Couverture IMPAIRE | Zones fonctionnelles urbaines, nivellement des routes, densité de construction | | Diversité de la composition locale | Diversité des combinaisons d’obstacles locaux | | Score de réalisme | Cohérence avec les statistiques OSM/POI/Building | | Transférabilité | La politique générée à partir d’une ville est-elle toujours valable lorsqu’elle est déplacée vers une autre ville | | Préservation de la criticité | La génération du contexte urbain préserve-t-elle les scènes locales à haut risque |

6.7 Contributions recommandées

7. Document F4 : Déploiement collaboratif de ressources drones au sol pour les secours d’urgence sur l’autoroute du Shandong

7.1 Titre de la thèse

Allocation de ressources UAV au sol en fonction des scénarios pour les interventions d’urgence sur les autoroutes

7.2 Contexte

Shandong Expressway dispose déjà d’une base commerciale pour l’inspection à basse altitude et les interventions d’urgence. Les informations publiques du Shandong Hi-Speed ​​​​Group montrent que son système complet de services de vols d’inspection a déployé des plates-formes sans surveillance et des drones industriels dans des zones clés pour les inspections de l’état des routes, les inspections routières, les interventions d’urgence et l’analyse des données [15]. Cela montre que les scénarios à grande vitesse ne sont pas une pure imagination, mais ont des entrées d’application.

Les recherches sur l’allocation des ressources d’urgence sur les autoroutes ont souligné qu’il existe encore plusieurs problèmes dans les travaux existants : sélection insuffisante du site des petites/micro installations d’urgence en bord de route pendant la phase d’exploitation, des informations complètes sont souvent supposées au début de l’accident mais ne sont pas réellement vraies, l’état du trafic après l’accident est incertain et variable dans le temps, et l’optimisation intégrée de la sélection du site des installations, de l’allocation des ressources et de la répartition est encore insuffisante [16]. Il y a eu des études sur le routage des drones sur les réseaux spatio-temporels dans la surveillance des incidents de circulation [17], ainsi que des études sur le déploiement en temps réel des drones et l’allocation des ressources dans les communications d’urgence en cas de catastrophe [18], mais elles n’ont pas encore formé une boucle fermée unifiée avec une couverture à grande vitesse des lieux d’accidents d’urgence, une valeur d’information de reconnaissance sur site et une allocation des ressources de sauvetage au sol.

Ceci est adapté à l’introduction du drone : le drone arrive d’abord sur les lieux de l’accident pour obtenir la situation, puis les ressources de garde au sol, de lutte contre l’incendie, de sauvetage et de contrôle sont réparties de manière dynamique.

7.3 MéthodeRépartition d’urgence au sol par drone en fonction des scénarios :

7.4 Formulation du problème

Supposons que l’ensemble de tronçons d’autoroute soit , l’ensemble d’accidents soit , l’ensemble d’UAV soit , l’ensemble de ressources de sauvetage au sol soit et l’ensemble de station-service/plate-forme sans surveillance soit .

Les variables de décision comprennent :

Fonction objectif :

Parmi eux, représente l’incertitude des informations sur les accidents, qui peut être réduite par la reconnaissance par drone.

7.5 Lignes de base| Référence | Objectif de comparaison |

|----------|----------| | Expédition au sol uniquement | Pas de reconnaissance par drone | | Répartition de la ressource la plus proche | Ressources les plus proches en premier | | Allocation d’installations statiques | Allocation d’installation fixe | | Optimisation stochastique en deux étapes | Estimer l’accident avant expédition | | Heuristique d’abord pour les drones | Reconnaissance par drone d’abord, puis répartition au sol | | Optimisation continue tenant compte des scénarios | Méthode principale |

7.6 Points d’innovation

  1. Connectez la couverture des lieux et la répartition des urgences à grande vitesse, au lieu de simplement allouer des ressources.
  2. Modéliser la reconnaissance par drone comme une action décisionnelle qui réduit l’incertitude des informations sur les incidents.
  3. Soutenir le contexte commercial réel de l’autoroute du Shandong : plate-forme sans surveillance, inspection de l’état des routes, intervention d’urgence et circulation des ordres de travail.
  4. Optimisation unifiée du temps de réponse, du temps de dédouanement, du risque d’accident secondaire et des coûts d’expédition.

7.7 Comment évaluer

IndicateurSignification
Heure de première vueLe moment où le drone a acquis pour la première fois les images de l’accident
Temps de réponseHeure d’arrivée du premier lot de ressources de secours
Délai de dédouanementDélai d’achèvement de l’intervention en cas d’accident
Taux d’expédition erronéLa proportion d’envois erronés, d’envois manqués ou de ressources insuffisantes
Risque d’accident secondaireIndicateur de risque d’accident secondaire
Retard de congestionRetard total causé par un accident
Valeur des informations sur les dronesLa reconnaissance avec un drone réduit l’incertitude par rapport à sans drone

7.8 Contributions recommandées

8. Unifier la plateforme expérimentale, les sources de données et les indicateurs d’évaluation

8.1 Plateforme expérimentale| Hiérarchie | Implémentation recommandée | Objectif |

|------|----------|------| | Simulation légère | Python / PyBullet / grille 3D personnalisée | 76 millions de niveaux d’exploration rapide | | Simulation de drone | AirSim, Flightmare | Vision, dynamique, vérification des capteurs [8] [9] | | Langue du scénario | DSL de type scénique, schéma JSON | Génération de scènes reproductibles [4] | | Données de la ville | OpenStreetMap, POI, niveaux de route, contours de bâtiments | Génération de la ville à la scène locale | | Urgence à grande vitesse | Cas ouverts sur l’autoroute du Shandong, statistiques d’accidents, flux d’accidents synthétiques | Expérience d’allocation de ressources d’urgence |

L’expérience principale de F1/F2 devrait donner la priorité à la simulation légère pour garantir une exploration à grande échelle. AirSim/Flightmare est utilisé pour la vérification haute fidélité à petite échelle et n’est pas utilisé pour toutes les expériences.

8.2 Source de données

8.3 Indicateurs unifiés| Groupe d’indicateurs | Indicateur |

|--------|------| | Couverture | couverture des paramètres, couverture t-wise, couverture ODD, gain de couverture | | Sécurité | taux de collision, taux de quasi-accidents, distance minimale, violation de contrainte | | Génération de danger | criticité, taux de découverte de pannes, facteur d’accélération, criticité réalisable | | Valeur de la formation | efficacité de l’échantillon, taux de réussite, robustesse sous changement ODD | | Valeur d’urgence | délai de première visualisation, temps de réponse, délai de dédouanement, taux d’expédition erroné |

9. Chemin de soumission recommandé et priorité

9.1 La première étape : faites d’abord F1 + F2

Dans la première phase, il est recommandé d’écrire deux articles directement autour de « Couverture des scènes critiques pour la sécurité des drones + tests accélérés » :

  1. Document de référence F1 Plus stable, adapté comme base expérimentale pour tous les articles ultérieurs sur les drones. Même si l’algorithme n’est pas particulièrement puissant, il peut toujours être établi sur la base d’une taxonomie, d’une métrique de couverture, d’un ensemble de données et d’expériences reproductibles.

  2. Document de méthode F2 Contributions méthodologiques à AAAI/ICRA/IROS. Le point culminant est la migration des tests accélérés de conduite autonome de Shuo Feng vers des scènes 3D de drones et l’ajout d’une criticité réalisable guidée par la couverture.

9.2 Phase 2 : Refaire F3 + F4

F3 et F4 sont plus adaptés à l’avancement une fois que F1/F2 dispose d’une base d’outils :

PapierComment soutenir Paper F
Papier BFournit des scénarios de demande d’urgence de pointe/choc/autoroute
Papier CFournit une occlusion 3D locale, une couverture de perspective et une reconstruction de scènes difficiles
Papier EFournit des tâches en langage naturel, cartographie des entités et des scénarios de contraintes de sécurité

Le document F est le mieux adapté pour servir de « document d’infrastructure de scénario » pour l’ensemble de la ligne de recherche sur les drones.

10. Références

[1] Shuo Feng, Xintao Yan, Haowei Sun, Yiheng Feng et Henry X. Liu. « Test d’intelligence de conduite intelligente pour les véhicules autonomes dans un environnement naturaliste et conflictuel. » Nature Communications, 12:748, 2021. DOI : 10.1038/s41467-021-21007-8. URL : https://doi.org/10.1038/s41467-021-21007-8

[2] Shuo Feng, Yiheng Feng, Chunhui Yu, Yi Zhang et Henry X. Liu. “Génération de bibliothèque de scénarios de test pour les véhicules connectés et automatisés, partie I : méthodologie.” Transactions IEEE sur les systèmes de transport intelligents, 22(3):1573-1582, 2021. DOI : 10.1109/TITS.2020.2972211. URL : https://doi.org/10.1109/TITS.2020.2972211[3] Shuo Feng, Yiheng Feng, Haowei Sun, Shan Bao, Yi Zhang et Henry X. Liu. “Génération de bibliothèque de scénarios de test pour les véhicules connectés et automatisés, partie II : études de cas.” Transactions IEEE sur les systèmes de transport intelligents, 22(9):5635-5647, 2021. DOI : 10.1109/TITS.2020.2988309. URL : https://doi.org/10.1109/TITS.2020.2988309

[4] Daniel J. Fremont, Tommaso Dreossi, Shromona Ghosh, Xiangyu Yue, Alberto L. Sangiovanni-Vincentelli et Sanjit A. Seshia. « Scenic : un langage pour la spécification de scénarios et la génération de scènes. » Actes de la 40e conférence ACM SIGPLAN sur la conception et la mise en œuvre de langages de programmation (PLDI), 2019. DOI : 10.1145/3314221.3314633. URL : https://people.eecs.berkeley.edu/~sseshia/pubs/b2hd-fremont-pldi19.html[5] Chejian Xu, Wenhao Ding, Weijie Lyu, Zuxin Liu, Shuai Wang, Yihan He, Hanjiang Hu, Ding Zhao et Bo Li. « SafeBench : une plateforme d’analyse comparative pour l’évaluation de la sécurité des véhicules autonomes. » Avances in Neural Information Processing Systems 35 (NeurIPS 2022) Piste des ensembles de données et des benchmarks, 2022. URL : https://proceedings.neurips.cc/paper_files/paper/2022/hash/a48ad12d588c597f4725a8b84af647b5-Abstract-Datasets_and_Benchmarks.html

[6] ASAM. « ASAM OpenSCENARIO DSL : terminologie clé et aperçu conceptuel. » URL : https://publications.pages.asam.net/standards/ASAM_OpenSCENARIO/ASAM_OpenSCENARIO_DSL/latest/conceptual-overview/key_terms.html

[7] ASAM. « ASAM OpenODD : modèle vers la référence de mappage DSL ASAM OpenSCENARIO. » URL : https://publications.pages.asam.net/standards/ASAM_OpenODD/ASAM_OpenODD/latest/spécification/09_openscenario_dsl/09_01_overview.html[8] Shital Shah, Debadeepta Dey, Chris Lovett et Ashish Kapoor. “AirSim : simulation visuelle et physique haute fidélité pour les véhicules autonomes.” Robotique de terrain et de service, Springer Proceedings in Advanced Robotics, 2017 ; arXiv : 1705.05065. URL : https://arxiv.org/abs/1705.05065

[9] Yunlong Song, Selim Naji, Elia Kaufmann, Antonio Loquercio et Davide Scaramuzza. « Flightmare : un simulateur de quadrirotor flexible. » Actes de la 4e Conférence sur l’apprentissage des robots (CoRL), PMLR 155, 2021. URL : https://proceedings.mlr.press/v155/song21a.html

[10] Justin Nakama, Ricky Parada, Joao P. Matos-Carvalho, Fabio Azevedo, Dario Pedro et Luis Campos. « Générateur d’environnement autonome pour la simulation basée sur des drones. » Sciences appliquées, 11(5):2185, 2021. DOI : 10.3390/app11052185. URL : https://doi.org/10.3390/app11052185[11] Yash Vardhan Pant, Max Z. Li, Alena Rodionova, Rhudii A. Quaye, Houssam Abbas, Megan S. Ryerson et Rahul Mangharam. « FADS : un cadre pour la sécurité des drones autonomes utilisant la planification de trajectoire basée sur la logique temporelle. » Recherche sur les transports, partie C : technologies émergentes, 130 :103275, 2021. DOI : 10.1016/j.trc.2021.103275. URL : https://doi.org/10.1016/j.trc.2021.103275

[12] Keyu Chen, Yuheng Lei, Hao Cheng, Haoran Wu, Wenchao Sun et Sifa Zheng. “FREA : Génération guidée par la faisabilité de scénarios critiques pour la sécurité avec une rivalité raisonnable.” arXiv :2406.02983, 2024. URL : https://arxiv.org/abs/2406.02983

[13] Wenhao Ding, Chejian Xu, Mansur Arief, Haohong Lin, Bo Li et Ding Zhao. « Une enquête sur la génération de scénarios de conduite critiques pour la sécurité : une perspective méthodologique. » arXiv :2202.02215, 2022. URL : https://arxiv.org/abs/2202.02215[14] Équipe CARLA. « Outil de jumeau numérique : génération procédurale à partir d’OpenStreetMap. » Documentation du simulateur CARLA. URL : https://carla.readthedocs.io/en/0.9.16/adv_digital_twin/

[15] Shandong Expressway Group Co., Ltd. « Le système de service de vol d’inspection complet de l’autoroute du Shandong est mis en ligne. » 2025. URL : https://www.sdhsg.com/article/72553

[16] Zhao Xiangmo, Zhao Yifei, Lu Nengchao et al. “Un examen de la recherche sur l’allocation des ressources clés en cas d’urgence en cas d’accident de la route.” Transactions d’ingénierie des transports, 2024. DOI : 10.19818/j.cnki.1671-1637.2024.06.001. URL : https://transport.chd.edu.cn/cn/article/doi/10.19818/j.cnki.1671-1637.2024.06.001

[17] Jisheng Zhang, Limin Jia, Shuyun Niu, Fan Zhang, Lu Tong et Xuesong Zhou. “Un cadre de modélisation basé sur un réseau spatio-temporel pour le routage dynamique des véhicules aériens sans pilote dans les applications de surveillance des incidents de la circulation.” Capteurs, 15(6):13874-13898, 2015. DOI : 10.3390/s150613874. URL : https://doi.org/10.3390/s150613874[18] Tan Do-Duy, Long D. Nguyen, Trung Q. Duong, Saeed Khosravirad et Holger Claussen. “Optimisation conjointe du déploiement en temps réel et de l’allocation des ressources pour les communications d’urgence en cas de catastrophe assistées par drone.” Journal IEEE sur certains domaines des communications, 39(11):3411-3424, 2021. DOI : 10.1109/JSAC.2021.3088662. URL : https://doi.org/10.1109/JSAC.2021.3088662

Annexe : Ce plan d’exécution

Étape 1 : Geler le papier F Positionnement total

Étape 2 : faites d’abord un benchmark F1

Étape 3 : Faire progresser l’algorithme de test accéléré F2- Implémenter des lignes de base contradictoires aléatoires/grille/LHS/BO/CMA-ES/RL.

Étape 4 : Étendre la ville F3 à la scène locale

Étape 5 : Développez l’application d’urgence haute vitesse F4

Étape 6 : Rythme de soumission

Étape 7 : Tâches de la semaine récente-Rédiger une mission expérimentale formelle pour la F1.