Towards Interactive Autonomous Vehicle Testing: Vehicle-Under-Test-Centered Traffic Simulation

要約

シミュレーションベースのテストは、自動運転車 (AV) を道路に安全に実装するために不可欠であり、テスト対象車両 (VUT) と動的に対話するシミュレートされた交通環境が必要です。
この研究では、現実的、インタラクティブ、多様なバックグラウンド交通シミュレーションのための VUT 中心の環境ダイナミクス推論 (VCDI) モデルを導入します。
AV テストの目的を果たすため、VCDI は条件付き軌道推論フレームワークでトランスフォーマー ベースのモジュールを採用し、VUT 中心の運転インタラクション イベントをシミュレートします。
まず、VUT の将来のモーションが拡張モデル入力として取得され、VUT と背景オブジェクト間のアクションの依存関係を橋渡しします。
第 2 に、シナリオの多様性を高めるために、ガウス分布コスト関数モジュールが VUT の戦略の不確実性を捉え、さまざまなシナリオの進化を引き起こすように設計されています。
実験結果は、最先端の軌道予測作業を上回る VCDI の軌道レベルのシミュレーション精度を検証しました。
分配コスト関数の柔軟性により、VCDI は AV テストのための多様かつ現実的なシナリオを提供できます。
VUT のコストベースの戦略に対する予測を変更することで、このような機能を実証し、説明可能なバックグラウンド トラフィックの進化を伴う複数のテスト シナリオを実現します。
コードは https://github.com/YNYSNL/VCDI で入手できます。

要約(オリジナル)

The simulation-based testing is essential for safely implementing autonomous vehicles (AV) on roads, necessitating simulated traffic environments that dynamically interact with the Vehicle Under Test (VUT). This study introduces a VUT-Centered environmental Dynamics Inference (VCDI) model for realistic, interactive, and diverse background traffic simulation. Serving the purpose of AV testing, VCDI employs Transformer-based modules in a conditional trajectory inference framework to simulate VUT-centered driving interaction events. First, the VUT future motion is taken as an augmented model input to bridge the action dependence between VUT and background objects. Second, to enrich the scenario diversity, a Gaussian-distributional cost function module is designed to capture the uncertainty of the VUT’s strategy, triggering various scenario evolution. Experimental results validate VCDI’s trajectory-level simulation precision which outperforms the state-of-the-art trajectory prediction work. The flexibility of the distributional cost function allows VCDI to provide diverse-yet-realistic scenarios for AV testing. We demonstrate such capability by modifying the anticipation to the VUT’s cost-based strategy and thus achieve multiple testing scenarios with explainable background traffic evolution. Codes are available at https://github.com/YNYSNL/VCDI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google