基于场景图增强的自动驾驶决策数据驱动风险评估
计算机视觉与模式识别
2020-09-15 v1
摘要
尽管自动驾驶系统(ADS)取得了令人瞩目的进展,在复杂道路条件下的导航仍是一项具有挑战性的问题。大量证据表明,评估各类决策的主观风险水平可提升ADS在常规与复杂驾驶场景中的安全性。然而,现有基于深度学习的方法常未能建模交通参与者间的关系,且在面对复杂真实场景时表现不佳。此外,这些方法缺乏可迁移性与可解释性。为克服这些局限,我们提出了一种利用场景图作为中间表示的新型数据驱动方法。我们的方法包含多关系图卷积网络、长短期记忆网络与注意力层,用于建模驾驶操纵的主观风险。为训练模型,我们将该任务表述为监督式场景分类问题。我们以典型用例——变道——来展示模型能力。结果表明,在大型(96.4% vs. 91.2%)与小型(91.8% vs. 71.2%)合成数据集上,我们的方法均取得了高于当前最优方法的分类准确率,并说明即便从较小数据集也能有效学习。我们还显示,在合成数据集上训练的模型在真实世界数据集测试时平均准确率达87.8%,而同等合成数据集训练的SOTA模型仅达70.3%,表明我们的方法能更有效地迁移知识。最后,我们证明空间与时间注意力层分别提升模型性能2.7%与0.7%,并增强其可解释性。
引用
@article{arxiv.2009.06435,
title = {Scene-Graph Augmented Data-Driven Risk Assessment of Autonomous Vehicle Decisions},
author = {Shih-Yuan Yu and Arnav V. Malawade and Deepan Muthirayan and Pramod P. Khargonekar and Mohammad A. Al Faruque},
journal= {arXiv preprint arXiv:2009.06435},
year = {2020}
}
备注
10 pages, 5 figures, 1 table