通过基于上下文学习生成交通情景以改进运动规划器

运动规划是自动驾驶中的关键组件。最先进的运动规划器是在精心策划的数据集上训练的，这些数据集不仅昂贵且难以捕捉到罕见的关键情景。未能考虑此类情景会对运动规划器构成重大风险，可能导致测试期间发生事故。一种直观的解决方案是通过编程和执行模拟器（例如 CARLA）来手动编写此类情景。然而，这种方法会造成巨大的人力成本。针对此问题，我们提出了一种低成本方法，用于生成多样化的关键交通情景，以训练更稳健的运动规划器。首先，我们将交通情景表示为脚本，然后由模拟器用于生成交通情景。接着，我们开发了一种方法，接受用户指定的文本描述，利用基于上下文学习将其翻译为脚本。输出的脚本被发送到模拟器，以生成相应的交通情景。由于我们的方法能够生成大量安全关键交通情景，因此将其作为合成训练数据用于训练运动规划器。为展示生成情景的价值，我们在合成数据、真实数据集以及两者的组合上训练现有的运动规划器。我们的实验表明，使用我们数据训练的运动规划器显著优于仅使用真实数据训练的运动规划器，显示示了我们合成数据的有用性以及我们数据生成方法的有效性。我们的源代码可在 https://ezharjan.github.io/AutoSceneGen 查看。