Evolving Testing Scenario Generation Method and Intelligence Evaluation Framework for Automated Vehicles

要約

シナリオベースのテストにおけるバックグラウンド車両 (BV) と自動車両 (AV) 間の相互作用は、AV のインテリジェンスを評価する際に重要な役割を果たします。
現在のテストシナリオでは通常、事前定義またはスクリプト化された BV が使用されていますが、これは現実世界の運転シナリオにおける人間のような社会的行動の複雑さを適切に反映しておらず、AV の包括的なインテリジェンスを評価するための体系的な指標も欠如しています。
したがって、この論文では、深層強化学習 (DRL) を利用して、AV のテストと知能評価のための人間のような BV を作成する、進化するシナリオ生成方法を提案します。
まず、人間のような競争的、協力的、相互的な運転動機を持つドライバー モデルのクラスが設計されます。
次に、改良された「レベル K」トレーニング手順を利用して、3 つの異なるドライバー モデルがゲームベースのインタラクティブな運転ポリシーを取得します。
そして、これらのモデルは、すべての BV が継続的に対話し、多様なコンテンツを進化させることができる進化するシナリオを生成するために BV に割り当てられます。
次に、3 つのテスト対象システム (SUT) のインテリジェンス パフォーマンスを評価および定量化するために、安全性、運転効率、インタラクション ユーティリティを含むフレームワークが提示され、インテリジェンス テストの進化するシナリオの有効性が示されます。
最後に、提案された進化するテスト シナリオの複雑さと忠実性が検証されます。
結果は、提案された進化シナリオが他のベースライン シナリオと比較して最高レベルの複雑さを示し、自然な運転データと 85% 以上の類似性があることを示しています。
これは、現実的で困難な環境における高レベル AV の開発と評価を容易にする、提案された方法の可能性を強調しています。

要約(オリジナル)

Interaction between the background vehicles (BVs) and automated vehicles (AVs) in scenario-based testing plays a critical role in evaluating the intelligence of the AVs. Current testing scenarios typically employ predefined or scripted BVs, which inadequately reflect the complexity of human-like social behaviors in real-world driving scenarios, and also lack a systematic metric for evaluating the comprehensive intelligence of AVs. Therefore, this paper proposes an evolving scenario generation method that utilizes deep reinforcement learning (DRL) to create human-like BVs for testing and intelligence evaluation of AVs. Firstly, a class of driver models with human-like competitive, cooperative, and mutual driving motivations is designed. Then, utilizing an improved ‘level-k’ training procedure, the three distinct driver models acquire game-based interactive driving policies. And these models are assigned to BVs for generating evolving scenarios in which all BVs can interact continuously and evolve diverse contents. Next, a framework including safety, driving efficiency, and interaction utility are presented to evaluate and quantify the intelligence performance of 3 systems under test (SUTs), indicating the effectiveness of the evolving scenario for intelligence testing. Finally, the complexity and fidelity of the proposed evolving testing scenario are validated. The results demonstrate that the proposed evolving scenario exhibits the highest level of complexity compared to other baseline scenarios and has more than 85% similarity to naturalistic driving data. This highlights the potential of the proposed method to facilitate the development and evaluation of high-level AVs in a realistic and challenging environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google