基于真实世界数据的自动车道变换场景提取及OpenX格式场景生成
机器人学
2022-03-16 v1
摘要
尽管许多安全挑战尚待解决，自动驾驶汽车（AV）的大规模部署似乎已迫在眉睫。现代自动驾驶汽车无疑将包含机器学习和概率技术，这给传统的验证与确认方法增添了显著的复杂性。道路测试在部署前必不可少，但场景可重复且难以收集具有挑战性的事件。探索大量、多样且关键的场景是一种耗时且昂贵的方法。近年来，研究界与工业界已广泛接受基于场景的测试。由于该方法直接聚焦于相关的关键道路情况，可减少测试所需的工作量。仿真中的基于场景的测试需要交通参与者的真实行为以评估被测系统（SUT）。从真实世界中捕获场景以编码实际交通参与者的行为至关重要。本文提出一种新颖的场景提取方法，利用点云数据与目标跟踪信息捕获车道变换场景。与本领域类似方法相比，该方法可实现全自动场景提取。生成的场景以OpenX格式表示，以便在SUT评估中轻松复用。该框架的动机是构建验证数据集以生成许多关键具体场景。代码已在线发布于 https://github.com/dkarunakaran/scenario_extraction_framework。
引用
@article{arxiv.2203.07521,
title = {Automatic lane change scenario extraction and generation of scenarios in OpenX format from real-world data},
author = {Dhanoop Karunakaran and Julie Stephany Berrio and Stewart Worrall and Eduardo Nebot},
journal= {arXiv preprint arXiv:2203.07521},
year = {2022}
}
备注
Submitted to IEEE IV 22 conference