面向自动驾驶验证的基于正规流的稀有事件时间重要抽样方法
机器学习
2024-09-25 v2 机器人学
摘要
自动驾驶(AV)基于仿真测试的验证需要无偏评估和高效性。有效方法是增加对危险稀有事件的曝光，同时对概率度量进行再权重。然而，由于稀有样本的稀缺性和持续情景变量的时序性， characterize 稀有事件分布具有挑战性。为此，我们构思了一种表示、生成和再权重稀有事件分布的方法。我们将连续变量的时间演化分解为基于条件概率的分布组件。通过引入风险指示函数，稀有事件分布可从自然驾驶分布中理论上提炼出来。该目标分布通过正规流(Normalizing Flow)实现，实现了复杂分布的精确且可计算的概率评估。稀有事件分布随后被证明是优势的重要抽样分布。我们还推动了时间重要抽样技术。该组合方法称为 TrimFlow，被用于估计 Car-following 情景的碰撞率以作初步实践。结果表明，从稀有事件分布生成背景车辆maneuver 可使测试情景演化至危险状态。TrimFlow 比根据自然驾驶环境中事件的曝光生成测试情景 减少了 86.1% 的测试。此外，TrimFlow 方法不局限于特定类型的功能情景。
引用
@article{arxiv.2407.07320,
title = {Flow to Rare Events: An Application of Normalizing Flow in Temporal Importance Sampling for Automated Vehicle Validation},
author = {Yichun Ye and He Zhang and Ye Tian and Jian Sun and Karl Meinke},
journal= {arXiv preprint arXiv:2407.07320},
year = {2024}
}