用于自动驾驶车辆安全评估的极端场景生成与分析
人工智能
2021-02-09 v1 机器学习
机器人学
摘要
测试与评估是网联自动驾驶车辆(CAVs)开发与部署中的关键步骤。为全面评估 CAVs 的性能，有必要在自然驾驶环境中极少出现的安全关键场景中测试 CAVs。因此，如何有目的且系统地生成这些极端场景(corner case)成为一个重要问题。多数现有研究聚焦于为 CAVs 的感知系统生成对抗样本，而针对决策系统的努力有限，这正是本文的亮点。由于 CAVs 需与大量背景车辆(BVs)长时间交互，定义极端场景的变量通常高维，这使得生成成为一项挑战性难题。本文提出一个统一框架以生成决策系统的极端场景。为应对高维带来的挑战，基于马尔可夫决策过程构建驾驶环境，并应用深度强化学习技术学习 BVs 的行为策略。借助所学策略，BVs 将更激进地行为与 CAVs 交互，从而产生更多极端场景。为进一步分析所生成的极端场景，利用了特征提取与聚类技术。通过选取各簇的代表性案例与离群点，可从所有生成的极端场景中识别出有价值的极端场景。高速公路驾驶环境的仿真结果表明，所提方法能有效生成并识别有价值的极端场景。
引用
@article{arxiv.2102.03483,
title = {Corner Case Generation and Analysis for Safety Assessment of Autonomous Vehicles},
author = {Haowei Sun and Shuo Feng and Xintao Yan and Henry X. Liu},
journal= {arXiv preprint arXiv:2102.03483},
year = {2021}
}
备注
23 pages, 11 figures