A Survey on Safety-Critical Driving Scenario Generation — A Methodological Perspective

要約

自動運転システムは、機械学習対応のセンシングおよび意思決定アルゴリズムの進歩により、ここ数年で大幅な発展を遂げてきました。
現実世界に大規模に導入する場合の重要な課題の 1 つは、安全性の評価です。
既存の運転システムのほとんどは、依然として日常生活から収集された自然主義的なシナリオ、またはヒューリスティックに生成された敵対的なシナリオに基づいてトレーニングおよび評価されています。
ただし、一般に、自動車の台数が多いため、衝突率は非常に低くなり、収集された現実世界のデータでは、安全性が重要なシナリオはまれであることが示されています。
したがって、リスクを測定し、コストを削減するには、シナリオを人為的に生成する方法が重要になります。
この調査では、自動運転におけるセーフティクリティカルなシナリオ生成のアルゴリズムに焦点を当てます。
まず、既存のアルゴリズムをデータ駆動型生成、敵対的生成、知識ベース生成の 3 つのカテゴリに分類することで、そのアルゴリズムの包括的な分類を提供します。
次に、シミュレーション プラットフォームやパッケージなど、シナリオ生成に役立つツールについて説明します。
最後に、現在の研究の 5 つの主要な課題 (忠実度、効率、多様性、移転可能性、制御可能性) と、これらの課題によって照らされる研究の機会に議論を広げます。

要約(オリジナル)

Autonomous driving systems have witnessed a significant development during the past years thanks to the advance in machine learning-enabled sensing and decision-making algorithms. One critical challenge for their massive deployment in the real world is their safety evaluation. Most existing driving systems are still trained and evaluated on naturalistic scenarios collected from daily life or heuristically-generated adversarial ones. However, the large population of cars, in general, leads to an extremely low collision rate, indicating that the safety-critical scenarios are rare in the collected real-world data. Thus, methods to artificially generate scenarios become crucial to measure the risk and reduce the cost. In this survey, we focus on the algorithms of safety-critical scenario generation in autonomous driving. We first provide a comprehensive taxonomy of existing algorithms by dividing them into three categories: data-driven generation, adversarial generation, and knowledge-based generation. Then, we discuss useful tools for scenario generation, including simulation platforms and packages. Finally, we extend our discussion to five main challenges of current works — fidelity, efficiency, diversity, transferability, controllability — and research opportunities lighted up by these challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google