TrafficGen：学习生成多样且真实的交通场景
机器人学
2023-03-07 v2
摘要
多样且真实的交通场景对于在仿真中评估自动驾驶系统的 AI 安全性至关重要。本工作提出一种称为 TrafficGen 的数据驱动交通场景生成方法。它从真实世界收集到的碎片化人类驾驶数据中学习，随后可生成真实交通场景。TrafficGen 是一种带编码器-解码器架构的自回归生成模型。在每次自回归迭代中，它先用注意力机制编码当前交通上下文，再解码一辆车的初始状态，继而生成其长轨迹。我们从车辆布置与轨迹方面评估训练好的模型，并显示相较基线有显著提升。TrafficGen 也可用于扩充现有交通场景，通过添加新车辆并延伸碎片化轨迹。我们进一步证明，将生成的场景作为交互式训练环境导入仿真器，可提升从强化学习学到的驾驶策略的性能与安全性。更多项目资源见 https://metadriverse.github.io/trafficgen
引用
@article{arxiv.2210.06609,
title = {TrafficGen: Learning to Generate Diverse and Realistic Traffic Scenarios},
author = {Lan Feng and Quanyi Li and Zhenghao Peng and Shuhan Tan and Bolei Zhou},
journal= {arXiv preprint arXiv:2210.06609},
year = {2023}
}