Dynamically Expanding Capacity of Autonomous Driving with Near-Miss Focused Training Framework

要約

実際の運転データのロングテール配信は、まれではあるが重要な安全性が重要なシナリオがまれである自動運転車 (AV) のトレーニングとテストに課題をもたらします。
また、仮想シミュレーションは、低コストで効率的なソリューションを提供します。
この論文は、AV のためのヒヤリハットに焦点を当てたトレーニング フレームワークを提案します。
シミュレーターのセンサーによって提供される運転シナリオ情報を利用して、背景車両 (BV) がニアミス シナリオを生成し、衝突のないシーンだけでなく衝突シナリオにも勾配が存在することを保証する新しい報酬関数を設計します。
そして、AV と BV の同時トレーニングに堅牢な敵対的強化学習 (RARL) フレームワークを活用して、AV と BV の機能を徐々に強化し、さまざまなレベルの AV 機能に合わせたニアミス シナリオを生成します。
3 つのテスト戦略の結果は、提案された方法がニアミスに近いシナリオを生成し、トレーニング全体を通して AV と BV の両方の能力を強化することを示しています。

要約(オリジナル)

The long-tail distribution of real driving data poses challenges for training and testing autonomous vehicles (AV), where rare yet crucial safety-critical scenarios are infrequent. And virtual simulation offers a low-cost and efficient solution. This paper proposes a near-miss focused training framework for AV. Utilizing the driving scenario information provided by sensors in the simulator, we design novel reward functions, which enable background vehicles (BV) to generate near-miss scenarios and ensure gradients exist not only in collision-free scenes but also in collision scenarios. And then leveraging the Robust Adversarial Reinforcement Learning (RARL) framework for simultaneous training of AV and BV to gradually enhance AV and BV capabilities, as well as generating near-miss scenarios tailored to different levels of AV capabilities. Results from three testing strategies indicate that the proposed method generates scenarios closer to near-miss, thus enhancing the capabilities of both AVs and BVs throughout training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google