面向长尾场景的动态保守自动驾驶规划器
机器人学
2023-05-15 v1 人工智能
摘要
自动驾驶车辆（SDV）正成为现实，但在自然驾驶中仍受“长尾”挑战困扰：SDV 会持续遭遇罕见、安全关键的场景，这些场景可能未包含在其训练数据集中。一些安全保障规划器通过在所有可行场景中保持保守来解决该问题，但这可能显著影响驾驶机动性。为此，本文提出一种根据每个场景的“长尾”率自动调整保守程度的方法，称为动态保守规划器（DCP）。我们首先将“长尾”率定义为 SDV 通过某驾驶场景的置信度。该比率指示安全关键事件的概率，并使用基于历史数据的统计 bootstrap 方法进行估计。随后，设计了一个基于强化学习的规划器，包含具有不同保守程度的候选策略。最终策略基于估计的“长尾”率进行优化。由此，DCP 被设计为在低置信度的“长尾”场景中自动调整为更保守，而在其他情况下保持高效。DCP 在 CARLA 模拟器中使用具有“长尾”分布训练数据的驾驶场景进行了评估。结果表明，DCP 能准确估计“长尾”率以识别潜在风险。基于该比率，DCP 在“长尾”场景中通过保守决策自动避免潜在碰撞，同时不影响其他典型场景中的平均速度。因此，DCP 比具有固定保守程度的基线（例如始终保守的规划器）更安全且更高效。本工作提供了一种在不依赖全局保守设置的情况下保障 SDV 在意外驾驶场景中性能的技术，有助于实际解决“长尾”问题。
引用
@article{arxiv.2305.07497,
title = {Dynamically Conservative Self-Driving Planner for Long-Tail Cases},
author = {Weitao Zhou and Zhong Cao and Nanshan Deng and Xiaoyu Liu and Kun Jiang and Diange Yang},
journal= {arXiv preprint arXiv:2305.07497},
year = {2023}
}