利用习得概率车道图生成并解释极端案例
人工智能
2024-03-14 v2 机器人学
摘要
验证在开放式动态环境中运行的自动驾驶车辆（AVs）的安全性颇具挑战，因为车辆终将遭遇缺乏代表性训练数据的安全关键情形。通过增加不同道路与交通条件的覆盖度，并在基于仿真的场景测试中纳入极端案例，可提升 AVs 的安全性。然而，创建包含多智能体的极端案例场景并非易事。我们的方法允许工程师基于历史交通数据生成新颖、真实的极端案例，并解释为何相关情形具有安全关键性。本文中，我们引入概率车道图（PLGs）来描述车辆可能行驶的有限车道位置与方向集合。PLGs 的结构直接从时空交通数据中习得。该图模型以概率策略的形式表示驾驶员针对给定状态的动作。我们利用强化学习技术修改该策略，生成真实且可解释的极端案例场景，可用于评估 AVs 的安全性。
引用
@article{arxiv.2308.13658,
title = {Generating and Explaining Corner Cases Using Learnt Probabilistic Lane Graphs},
author = {Enrik Maci and Rhys Howard and Lars Kunze},
journal= {arXiv preprint arXiv:2308.13658},
year = {2024}
}
备注
8 Pages, 3 Figures, 1 Table, Published in the Proceedings of the 26th IEEE International Conference on Intelligent Transport Systems (2023), Final submission version with added IEEE copyright notice