AuthSim: Towards Authentic and Effective Safety-critical Scenario Generation for Autonomous Driving Tests

要約

敵対的な安全性シナリオを生成することは、潜在的な弱点を特定し、システムの堅牢性と信頼性を高めるため、自律運転システムをテストするための極めて重要な方法です。
しかし、既存のアプローチは、主に無制限の衝突シナリオを強調し、非プレイヤーキャラクター（NPC）車両にエゴ車両を無差別に攻撃するよう促します。
これらの作品は、これらのシナリオの信頼性、合理性、および関連性を見落としており、その結果、積極的なNPC車両が関与する多数の極端で不自然な、そして大部分が非現実的な衝突イベントをもたらします。
この問題を是正するために、3層相対安全性領域モデルを提案します。これは、危険レベルに基づいて面積を分割し、NPC車両が相対境界領域に入る可能性を高めます。
このモデルは、NPC車両に、比較的安全な境界領域内で敵対的な行動をとるように指示し、それによりシナリオの信頼性を増強します。
3層の相対安全領域モデルを強化学習と統合することにより、本物の効果的な安全性クリティカルなシナリオを生成するための包括的なプラットフォームであるAuthsimを紹介します。
私たちの知る限り、これは自律運転システムテストシナリオの信頼性と有効性に包括的に対処する最初の試みです。
広範な実験は、Authsimが効果的な安全性クリティカルシナリオを生成する際に既存の方法を上回ることを示しています。
特に、AuthSIMは、既存の方法と比較して効果的な安全性批判シナリオを生成する際のより高い効率を維持しながら、平均遮断距離が5.25％改善され、平均衝突間隔時間が27.12％の強化を達成します。
これは、現在の方法論よりも本物のシナリオを作成する際の重要な利点を強調しています。

要約(オリジナル)

Generating adversarial safety-critical scenarios is a pivotal method for testing autonomous driving systems, as it identifies potential weaknesses and enhances system robustness and reliability. However, existing approaches predominantly emphasize unrestricted collision scenarios, prompting non-player character (NPC) vehicles to attack the ego vehicle indiscriminately. These works overlook these scenarios’ authenticity, rationality, and relevance, resulting in numerous extreme, contrived, and largely unrealistic collision events involving aggressive NPC vehicles. To rectify this issue, we propose a three-layer relative safety region model, which partitions the area based on danger levels and increases the likelihood of NPC vehicles entering relative boundary regions. This model directs NPC vehicles to engage in adversarial actions within relatively safe boundary regions, thereby augmenting the scenarios’ authenticity. We introduce AuthSim, a comprehensive platform for generating authentic and effective safety-critical scenarios by integrating the three-layer relative safety region model with reinforcement learning. To our knowledge, this is the first attempt to address the authenticity and effectiveness of autonomous driving system test scenarios comprehensively. Extensive experiments demonstrate that AuthSim outperforms existing methods in generating effective safety-critical scenarios. Notably, AuthSim achieves a 5.25% improvement in average cut-in distance and a 27.12% enhancement in average collision interval time, while maintaining higher efficiency in generating effective safety-critical scenarios compared to existing methods. This underscores its significant advantage in producing authentic scenarios over current methodologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google