DeepMF：面向闭环安全关键驾驶场景模拟的深度运动分解
人工智能
2024-12-24 v1 机器学习
摘要
安全关键交通场景对于评估自动驾驶（AD）系统的鲁棒性具有重要的实际意义。鉴于这些长尾事件在真实交通数据中极为罕见，越来越多的研究致力于自动交通场景生成。然而，几乎所有现有的安全关键场景生成算法都依赖于先前记录的交通事件片段，直接将正常交通流转化为事故易发情况。换句话说，安全关键交通场景生成是事后性的，不适用于新遇到的和开放式的交通事件。在本文中，我们提出了深度运动分解（DeepMF）框架，将静态安全关键驾驶场景生成扩展到闭环和交互式对抗交通模拟。DeepMF将安全关键交通模拟视为贝叶斯分解，包括危险交通参与者的分配、选定对手的运动预测、自动驾驶车辆（AV）的反应估计以及事故发生的概率估计。所有上述项均使用解耦的深度神经网络计算，输入仅限于当前观测和历史状态。因此，DeepMF可以通过最大化交通风险的复合后验概率，在任何触发时间和任何持续时间有效且高效地模拟安全关键交通场景。大量实验表明，DeepMF在风险管理、灵活性和多样性方面表现出色，在模拟各种真实高风险交通场景方面展示了卓越性能。
引用
@article{arxiv.2412.17487,
title = {DeepMF: Deep Motion Factorization for Closed-Loop Safety-Critical Driving Scenario Simulation},
author = {Yizhe Li and Linrui Zhang and Xueqian Wang and Houde Liu and Bin Liang},
journal= {arXiv preprint arXiv:2412.17487},
year = {2024}
}