ReGentS：稳定生成真实世界安全关键驾驶场景
机器学习
2024-09-13 v1 计算机视觉与模式识别
机器人学
摘要
基于机器学习的自动驾驶系统经常面临真实世界数据中罕见的安全关键场景的挑战，阻碍了其大规模部署。虽然增加真实世界训练数据覆盖范围可以解决这个问题，但成本高昂且危险。本工作探索通过轨迹优化修改复杂的真实世界常规场景来生成安全关键驾驶场景。我们提出ReGentS，它稳定生成的轨迹并引入启发式方法以避免明显的碰撞和优化问题。我们的方法解决了不现实的发散轨迹和不可避免的碰撞场景，这些场景对训练鲁棒规划器没有用处。我们还将场景生成框架扩展到处理多达32个智能体的真实世界数据。此外，通过使用可微分模拟器，我们的方法简化了涉及模拟器的基于梯度下降的优化，为未来的进步铺平了道路。代码可在https://github.com/valeoai/ReGentS获取。
引用
@article{arxiv.2409.07830,
title = {ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable},
author = {Yuan Yin and Pegah Khayatan and Éloi Zablocki and Alexandre Boulch and Matthieu Cord},
journal= {arXiv preprint arXiv:2409.07830},
year = {2024}
}
备注
Accepted to ECCV 2024 W-CODA Workshop