基于自适应场景抽样的自动驾驶车辆终身学习与测试
机器人学
2024-05-03 v1
摘要
采样关键测试场景是自动驾驶车辆(AVs)智能测试中的关键步骤。然而,由于缺乏关于关键场景在抽样空间中分布的先验知识,我们难以高效地寻找关键场景或准确评估 AVs 的智能程度。为解决此问题,我们将测试建模为一个持续的优化过程,该过程迭代生成潜在的关键场景并同时评估这些场景。提出了一种双层循环用于实现此生命学习与测试。在外层循环中,我们通过评估 AV 在已抽样场景中的表现来迭代学习空间知识,并基于所保留的知识抽样新的场景。当所有生成的样本覆盖整个空间时,外层循环停止。为最大化每次外层循环中的空间覆盖,设置了内层循环,该循环接收外层循环中新生成的样本并输出这些样本的更新位置。我们假设空间中小球形子空间内的点可以由该球心点覆盖(或表示)。因此,我们可以应用多轮启发式策略来移动和打包这些球,以寻找最佳覆盖方案。仿真结果表明,随着关键场景数量的增加,可实现对 AVs 更快更准确的评估。
引用
@article{arxiv.2405.00696,
title = {Life-long Learning and Testing for Automated Vehicles via Adaptive Scenario Sampling as A Continuous Optimization Process},
author = {Jingwei Ge and Pengbo Wang and Cheng Chang and Yi Zhang and Danya Yao and Li Li},
journal= {arXiv preprint arXiv:2405.00696},
year = {2024}
}