Generating Critical Scenarios for Testing Automated Driving Systems

要約

自律走行車（AV）は、輸送に革命をもたらす大きな可能性を示しているが、特にダイナミックで予測不可能な環境にさらされた場合、その安全性と信頼性を確保することは依然として重要な課題である。自律走行システム(ADS)の実環境テストは高価であり、リスクも高いため、シミュレーションベースのテストが望ましいアプローチとなっている。本論文では、シミュレーション環境でADSをテストするために、現実的なクリティカルシナリオを生成する強化学習（RL）ベースのアプローチであるAVASTRAを提案する。ドライビングシナリオの複雑さを捉えるために、AVASTRAは、テスト中のADSの内部状態（例えば、ADSのコアコンポーネントの状態、速度、加速度）と、シミュレーション環境の周辺要因の外部状態（例えば、天候、交通流、道路状況）の両方によって、環境を包括的に表現する。AVASTRAは、AVを危険な状況に置き、衝突に導く可能性のあるシミュレーション環境を効果的に設定するために、RLエージェントを訓練する。RLエージェントが環境条件と交通参加者の両方を体系的に設定できるように、多様なアクションセットを導入する。さらに、確立された安全要件に基づき、生成されるテストシナリオの現実性と妥当性を確保するためにヒューリスティックな制約を課す。AVASTRAは、4つの異なる道路構成を持つ2つの一般的なシミュレーションマップで評価された。その結果、AVASTRAは30%から115%多くの衝突シナリオを生成し、最先端のアプローチを凌駕する能力を示した。ランダム探索に基づくベースラインと比較して、AVASTRAは最大275%の性能向上を達成した。これらの結果は、AVASTRAが現実的で包括的なクリティカルシナリオ生成を通じてAVの安全性テストを強化する上で有効であることを強調している。

要約(オリジナル)

Autonomous vehicles (AVs) have demonstrated significant potential in revolutionizing transportation, yet ensuring their safety and reliability remains a critical challenge, especially when exposed to dynamic and unpredictable environments. Real-world testing of an Autonomous Driving System (ADS) is both expensive and risky, making simulation-based testing a preferred approach. In this paper, we propose AVASTRA, a Reinforcement Learning (RL)-based approach to generate realistic critical scenarios for testing ADSs in simulation environments. To capture the complexity of driving scenarios, AVASTRA comprehensively represents the environment by both the internal states of an ADS under-test (e.g., the status of the ADS’s core components, speed, or acceleration) and the external states of the surrounding factors in the simulation environment (e.g., weather, traffic flow, or road condition). AVASTRA trains the RL agent to effectively configure the simulation environment that places the AV in dangerous situations and potentially leads it to collisions. We introduce a diverse set of actions that allows the RL agent to systematically configure both environmental conditions and traffic participants. Additionally, based on established safety requirements, we enforce heuristic constraints to ensure the realism and relevance of the generated test scenarios. AVASTRA is evaluated on two popular simulation maps with four different road configurations. Our results show AVASTRA’s ability to outperform the state-of-the-art approach by generating 30% to 115% more collision scenarios. Compared to the baseline based on Random Search, AVASTRA achieves up to 275% better performance. These results highlight the effectiveness of AVASTRA in enhancing the safety testing of AVs through realistic comprehensive critical scenario generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL