CRASH: Challenging Reinforcement-Learning Based Adversarial Scenarios For Safety Hardening

要約

自動運転車 (AV) の安全性を確保するには、路上テストだけでは発見できない、まれではあるが重大な故障ケースを特定する必要があります。
高忠実度シミュレーションはスケーラブルな代替手段を提供しますが、AV モーション プランナーに効果的にストレス テストを実行できる現実的で多様な交通シナリオを自動的に生成することは依然として重要な課題です。
このペーパーでは、この問題に対処するための敵対的深層強化学習フレームワークである、CRASH – 安全強化のための強化学習ベースの敵対的シナリオへの挑戦を紹介します。
First CRASH は、AV シミュレーターで敵対的なノン プレイヤー キャラクター (NPC) エージェントを制御して、自動的にエゴ ビークルとの衝突を誘発し、そのモーション プランナーを改ざんします。
また、安全強化と呼ぶ新しいアプローチも提案します。これは、敵対的なエージェントに対する改善シナリオをシミュレートすることでモーション プランナーを繰り返し改良し、失敗例を活用して AV スタックを強化します。
CRASH は、簡略化された 2 車線の高速道路シナリオで評価され、ルールベースと学習ベースの両方のプランナーを改ざんして衝突率が 90% を超える能力を示しています。
さらに、安全強化により、Ego 車両の衝突率が 26% 減少します。
予備的ではありますが、これらの結果は、RL ベースの安全強化が自動運転車のシナリオ駆動シミュレーション テストの有望なアプローチであることを強調しています。

要約(オリジナル)

Ensuring the safety of autonomous vehicles (AVs) requires identifying rare but critical failure cases that on-road testing alone cannot discover. High-fidelity simulations provide a scalable alternative, but automatically generating realistic and diverse traffic scenarios that can effectively stress test AV motion planners remains a key challenge. This paper introduces CRASH – Challenging Reinforcement-learning based Adversarial scenarios for Safety Hardening – an adversarial deep reinforcement learning framework to address this issue. First CRASH can control adversarial Non Player Character (NPC) agents in an AV simulator to automatically induce collisions with the Ego vehicle, falsifying its motion planner. We also propose a novel approach, that we term safety hardening, which iteratively refines the motion planner by simulating improvement scenarios against adversarial agents, leveraging the failure cases to strengthen the AV stack. CRASH is evaluated on a simplified two-lane highway scenario, demonstrating its ability to falsify both rule-based and learning-based planners with collision rates exceeding 90%. Additionally, safety hardening reduces the Ego vehicle’s collision rate by 26%. While preliminary, these results highlight RL-based safety hardening as a promising approach for scenario-driven simulation testing for autonomous vehicles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google