Flow to Rare Events: An Application of Normalizing Flow in Temporal Importance Sampling for Automated Vehicle Validation

要約

模擬テストに基づく自動車両 (AV) 検証には、公平な評価と高い効率が必要です。
効果的な解決策の 1 つは、確率尺度の重み付けを変更しながら、危険なまれなイベントへのエクスポージャーを増やすことです。
ただし、サンプルの不足と連続シナリオ変数の一時性により、危険なイベントの分布を特徴付けることは特に困難です。
これを解決するために、危険なまれなイベントの分布を表現、生成、再重み付けする方法を考案します。
連続変数の時間発展を条件付き確率に基づいて分布成分に分解します。
リスクインジケーター機能を導入することにより、理論的には自然主義的な運転分布から危険な稀なイベントの分布が抽出されます。
このターゲットを絞った分布は、実際には正規化フローによって生成され、複雑な分布の正確かつ扱いやすい確率評価を実現します。
次に、まれなイベントの分布が有利な重要度サンプリング分布として実証されます。
また、時間的重要度サンプリングの手法も推進します。
TrimFlow と名付けられたこの組み合わせ手法は、暫定的な実践として、車追従シナリオの衝突率を推定するために実行されます。
その結果、まれなイベントの分布からバックグラウンドの車両操縦をサンプリングすると、テスト シナリオが危険な状態に発展する可能性があることが示されました。
TrimFlow は、自然な運転環境でのエクスポージャに応じてテスト シナリオを生成する場合と比較して、テストの 86.1% を削減しました。
さらに、TrimFlow メソッドは、特定の 1 つのタイプの機能シナリオに限定されません。

要約(オリジナル)

Automated Vehicle (AV) validation based on simulated testing requires unbiased evaluation and high efficiency. One effective solution is to increase the exposure to risky rare events while reweighting the probability measure. However, characterizing the distribution of risky events is particularly challenging due to the paucity of samples and the temporality of continuous scenario variables. To solve it, we devise a method to represent, generate, and reweight the distribution of risky rare events. We decompose the temporal evolution of continuous variables into distribution components based on conditional probability. By introducing the Risk Indicator Function, the distribution of risky rare events is theoretically precipitated out of naturalistic driving distribution. This targeted distribution is practically generated via Normalizing Flow, which achieves exact and tractable probability evaluation of intricate distribution. The rare event distribution is then demonstrated as the advantageous Importance Sampling distribution. We also promote the technique of temporal Importance Sampling. The combined method, named as TrimFlow, is executed to estimate the collision rate of Car-following scenarios as a tentative practice. The results showed that sampling background vehicle maneuvers from rare event distribution could evolve testing scenarios to hazardous states. TrimFlow reduced 86.1% of tests compared to generating testing scenarios according to their exposure in the naturalistic driving environment. In addition, the TrimFlow method is not limited to one specific type of functional scenario.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google