用于快速自主性验证的基础模型
机器人学
2025-06-02 v2 机器学习
摘要
我们的动机源于自动驾驶车辆性能验证问题。一个关键挑战是，自动驾驶车辆需要在可能遇到的每一种驾驶场景（包括罕见事件）中进行测试，以提供强有力的安全证明，并表明不存在边缘病态行为。自动驾驶公司依赖于在逼真仿真中行驶可能数百万英里，以使驾驶系统暴露于足够的里程数，从而估计碰撞的发生率和严重程度。为了解决可扩展性和覆盖范围问题，我们提出使用行为基础模型，特别是掩码自编码器（MAE），经过训练以重建驾驶场景。我们以两种互补的方式利用该基础模型：我们 使用学习到的嵌入空间将定性相似的场景分组， 微调该模型以根据仿真中发生碰撞的可能性来标记场景难度。我们使用难度评分作为场景组的重要性权重。最终的结果是一种能够通过优先处理困难场景同时确保暴露于每一种驾驶场景，从而更快速地估计碰撞发生率和严重程度的方法。
引用
@article{arxiv.2411.03328,
title = {Foundation Models for Rapid Autonomy Validation},
author = {Alec Farid and Peter Schleede and Aaron Huang and Christoffer Heckman},
journal= {arXiv preprint arXiv:2411.03328},
year = {2025}
}