通过习得交通先验生成有用的易事故驾驶场景
计算机视觉与模式识别
2022-03-29 v2 机器学习
机器人学
摘要
评估并改进自动驾驶车辆的规划需要可扩展地生成长尾交通场景。为具实用性，这些场景须真实且具挑战性，但并非无法安全驾驶通过。本工作中，我们提出 STRIVE，一种自动生成致给定规划器产生不良行为（如碰撞）之挑战性场景的方法。为保持场景合理性，关键思路是利用以图条件 VAE 形式习得的交通运动模型。场景生成被表述为该交通模型潜空间中的优化，扰动初始真实世界场景以产生与给定规划器碰撞的轨迹。随后用一项优化寻找该场景的“解法”，确保其可用于改进给定规划器。进一步分析基于碰撞类型对生成场景聚类。我们攻击了两个规划器，表明 STRIVE 在两种情况下均成功生成真实、具挑战性的场景。我们额外“闭环”并利用这些场景优化基于规则的规划器超参数。
引用
@article{arxiv.2112.05077,
title = {Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior},
author = {Davis Rempe and Jonah Philion and Leonidas J. Guibas and Sanja Fidler and Or Litany},
journal= {arXiv preprint arXiv:2112.05077},
year = {2022}
}
备注
CVPR 2022 camera-ready