一种用于多车道道路自动驾驶车辆自适应压力测试的新框架
机器人学
2024-09-20 v2 人工智能
摘要
压力测试是一种在极端条件下评估系统可靠性的方法，有助于揭示标准测试可能忽略的脆弱场景。识别此类场景对于自动驾驶车辆（AV）和其他安全关键系统至关重要。由于故障事件罕见，朴素的随机搜索方法需要大量的车辆运行小时数才能识别潜在的系统故障。自适应压力测试（AST）是一种通过马尔可夫决策过程有效探索自动驾驶车辆故障轨迹的方法，并利用强化学习技术识别高故障概率的驾驶场景。然而，现有的 AST 框架仅能处理简单场景，例如单车在单车道道路上纵向行驶，这既不现实且适用性有限。在本文中，我们提出了一种新颖的 AST 框架，以系统地探索可能导致安全问题的智能驾驶模型的极端案例，涉及车辆的纵向和横向运动。具体而言，我们为深度强化学习开发了一种新的奖励函数，以引导 AST 基于被测自动驾驶车辆（即自车）与多车道道路上其他车辆轨迹之间的碰撞概率估计来识别碰撞场景。为展示我们框架的有效性，我们使用了一个可在纵向和横向方向控制的复杂驾驶模型车辆进行了测试。对我们实验结果的定量和定性分析表明，我们的框架在识别具有复杂驾驶机动的极端案例方面优于最先进的 AST 方案。
引用
@article{arxiv.2402.11813,
title = {A novel framework for adaptive stress testing of autonomous vehicles in multi-lane roads},
author = {Linh Trinh and Quang-Hung Luu and Thai M. Nguyen and Hai L. Vu},
journal= {arXiv preprint arXiv:2402.11813},
year = {2024}
}