EMPERROR：一种用于探测自动驾驶规划器的灵活生成式感知误差模型
机器人学
2025-05-14 v2 计算机视觉与模式识别
机器学习
摘要
为应对真实交通的复杂性，从数据中学习自动驾驶规划器是一个有前景的方向。尽管近期方法取得了巨大进展，但它们通常假设真实世界状态可作为输入。然而，在部署时，规划需要对感知系统噪声带来的长尾错误保持鲁棒，这在评估中常被忽视。为解决此问题，先前工作提出从模仿目标检测器噪声特征的感知误差模型（PEM）中抽取对抗样本。然而，这些方法使用的简单 PEM 无法准确捕捉检测的所有失效模式。本文提出 EMPERROR，一种新颖的基于 Transformer 的生成式 PEM，将其应用于对基于模仿学习（IL）的规划器进行压力测试，并表明它比以往工作更忠实地模仿现代目标检测器。此外，它能生成逼真的噪声输入，使规划器的碰撞率增加高达 85%，证明了其作为更完整评估自动驾驶规划器的宝贵工具的实用性。
引用
@article{arxiv.2411.07719,
title = {EMPERROR: A Flexible Generative Perception Error Model for Probing Self-Driving Planners},
author = {Niklas Hanselmann and Simon Doll and Marius Cordts and Hendrik P. A. Lensch and Andreas Geiger},
journal= {arXiv preprint arXiv:2411.07719},
year = {2025}
}
备注
Project page: https://lasnik.github.io/emperror/