SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries

要約

自動運転車計画アルゴリズムのパフォーマンスを評価するには、ロングテールの安全性が重要な交通シナリオをシミュレートする必要があります。
ただし、このようなシナリオを生成する従来の方法では、制御性や現実性の点で不十分なことがよくあります。
また、エージェントの相互作用のダイナミクスも無視します。
これらの制限に対処するために、新しい拡散ベースの制御可能な閉ループセーフティクリティカルシミュレーションフレームワークである SAFE-SIM を導入します。
私たちのアプローチは、2 つの明確な利点をもたらします。1) 現実世界の状況を厳密に反映する、現実的なロングテールの安全性が重要なシナリオを生成すること、2) より包括的でインタラクティブな評価のために、制御可能な敵対的な動作を提供することです。
私たちは、拡散モデルのノイズ除去プロセスにおける敵対的な項を通じて安全性が重要なシナリオをシミュレートする新しいアプローチを開発しました。これにより、シーン内のすべてのエージェントが反応的で現実的な行動を示しながら、敵対的なエージェントがもっともらしい操作でプランナーに挑戦できるようになります。
さらに、動作のリアリズムを維持しながら、衝突タイプや敵対的エージェントの攻撃性など、シナリオの重要な側面をユーザーが制御できるようにする、新しい誘導目標と部分拡散プロセスを提案します。
複数のプランナーにわたって nuScenes および nuPlan データセットを使用してフレームワークを経験的に検証し、リアリズムと制御性の両方の向上を実証します。
これらの調査結果は、普及モデルが安全性が重要なインタラクティブな交通シミュレーションのための堅牢で多用途の基盤を提供し、その有用性をより広範な自動運転環境に拡張することを裏付けています。
プロジェクトの Web サイト: https://safe-sim.github.io/。

要約(オリジナル)

Evaluating the performance of autonomous vehicle planning algorithms necessitates simulating long-tail safety-critical traffic scenarios. However, traditional methods for generating such scenarios often fall short in terms of controllability and realism; they also neglect the dynamics of agent interactions. To address these limitations, we introduce SAFE-SIM, a novel diffusion-based controllable closed-loop safety-critical simulation framework. Our approach yields two distinct advantages: 1) generating realistic long-tail safety-critical scenarios that closely reflect real-world conditions, and 2) providing controllable adversarial behavior for more comprehensive and interactive evaluations. We develop a novel approach to simulate safety-critical scenarios through an adversarial term in the denoising process of diffusion models, which allows an adversarial agent to challenge a planner with plausible maneuvers while all agents in the scene exhibit reactive and realistic behaviors. Furthermore, we propose novel guidance objectives and a partial diffusion process that enables users to control key aspects of the scenarios, such as the collision type and aggressiveness of the adversarial agent, while maintaining the realism of the behavior. We validate our framework empirically using the nuScenes and nuPlan datasets across multiple planners, demonstrating improvements in both realism and controllability. These findings affirm that diffusion models provide a robust and versatile foundation for safety-critical, interactive traffic simulation, extending their utility across the broader autonomous driving landscape. Project website: https://safe-sim.github.io/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google