基于自然驾驶先验的对抗性安全关键场景生成
机器人学
2024-08-08 v2 人工智能
摘要
评估决策系统是发展自动驾驶车辆不可或缺的环节，而现实且具挑战性的安全关键测试场景在其中扮演着关键角色。由于现实数据集中长尾分布、稀疏性和稀有性，这些场景的获取并非易事。为此本文引入一种基于自然驾驶先验和强化学习技术的自然对抗场景生成解决方案。通过这种方法，可获得规模大且既自然又具挑战性的测试场景。具体而言，我们构建了一个模拟环境，以模拟自然交互场景。在该环境指导下，我们实施了两阶段程序。第一阶段采用常规基于规则的模型（如智能驾驶模型 IDM 和最小制动引起车道变更 MOBIL 模型），粗糙且离散地从真实数据集中捕捉并校准关键控制参数。随后，我们利用生成对抗式模仿学习 GAIL 表示驾驶行为的连续性。derived GAIL 可进一步用于设计基于 PPO（近端策略优化）的演员-评论家网络框架，以微调奖励函数，然后优化我们的自然对抗场景生成解决方案。在 NGSIM 数据集上开展了大量实验，包括 3000 辆车辆的轨迹。与基线模型相比，测量了关键交通参数，例如碰撞率、加速度、转向和车道变更次数。我们的发现表明，所提出的模型能够生成覆盖自然性和对抗性的真实安全关键测试场景，这对于自动驾驶车辆的开发具有重要意义。
引用
@article{arxiv.2408.03200,
title = {Adversarial Safety-Critical Scenario Generation using Naturalistic Human Driving Priors},
author = {Kunkun Hao and Yonggang Luo and Wen Cui and Yuqiao Bai and Jucheng Yang and Songyang Yan and Yuxi Pan and Zijiang Yang},
journal= {arXiv preprint arXiv:2408.03200},
year = {2024}
}
备注
Published in IEEE Transactions on Intelligent Vehicles, 2023