ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable

要約

機械学習ベースの自動運転システムは、現実世界のデータではまれな安全性が重要なシナリオで課題に直面することが多く、大規模な導入の妨げとなっています。
実世界のトレーニング データの範囲を増やすことでこの問題に対処できる可能性がありますが、コストがかかり、危険です。
この研究では、軌道の最適化を通じて複雑な現実世界の通常のシナリオを変更することにより、安全性が重要な運転シナリオを生成することを検討します。
私たちは、生成された軌道を安定化し、明らかな衝突や最適化問題を回避するヒューリスティックを導入する ReGentS を提案します。
私たちのアプローチは、堅牢なプランナーのトレーニングには役に立たない、非現実的な発散軌道や避けられない衝突シナリオに対処します。
また、最大 32 のエージェントで実世界のデータを処理できるようにシナリオ生成フレームワークを拡張します。
さらに、微分可能なシミュレーターを使用することにより、私たちのアプローチはシミュレーターを含む勾配降下ベースの最適化を簡素化し、将来の進歩への道を開きます。
コードは https://github.com/valeoai/ReGentS で入手できます。

要約(オリジナル)

Machine learning based autonomous driving systems often face challenges with safety-critical scenarios that are rare in real-world data, hindering their large-scale deployment. While increasing real-world training data coverage could address this issue, it is costly and dangerous. This work explores generating safety-critical driving scenarios by modifying complex real-world regular scenarios through trajectory optimization. We propose ReGentS, which stabilizes generated trajectories and introduces heuristics to avoid obvious collisions and optimization problems. Our approach addresses unrealistic diverging trajectories and unavoidable collision scenarios that are not useful for training robust planner. We also extend the scenario generation framework to handle real-world data with up to 32 agents. Additionally, by using a differentiable simulator, our approach simplifies gradient descent-based optimization involving a simulator, paving the way for future advancements. The code is available at https://github.com/valeoai/ReGentS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google