自动驾驶车辆在换道场景中的对抗性评估
机器人学
2020-11-25 v2 机器学习
机器学习
摘要
自动驾驶车辆在城市与高速公路部署前必须经过全面评估。然而，现有多数自动驾驶车辆评估方法静态且缺乏适应性，因而在生成被测车辆的挑战性场景时通常效率低下。本文提出一种自适应评估框架，利用深度强化学习生成的对抗环境高效评估自动驾驶车辆。考虑到危险场景的多模态特性，我们使用集成模型表征不同的局部最优以增强多样性，随后采用非参数贝叶斯方法对对抗策略进行聚类。所提方法在一个典型的换道场景中得到了验证，该场景涉及自车与周围车辆的频繁交互。结果表明，本方法生成的对抗场景显著降低了被测车辆的性能。我们还展示了所生成对抗环境的不同模式，可用于推断被测车辆的弱点。
引用
@article{arxiv.2004.06531,
title = {Adversarial Evaluation of Autonomous Vehicles in Lane-Change Scenarios},
author = {Baiming Chen and Xiang Chen and Wu Qiong and Liang Li},
journal= {arXiv preprint arXiv:2004.06531},
year = {2020}
}