GraphSCENE: On-Demand Critical Scenario Generation for Autonomous Vehicles in Simulation

要約

安全性と多様なシナリオの自動運転車（AV）のパフォーマンスのテストと検証は、実際の展開前に重要です。
ただし、シミュレーションでこのようなシナリオを手動で作成することは、依然として重要かつ時間のかかる課題です。
この作業では、AVアクション、動的エージェントのセット、クリティカリティレベルなどのユーザー定義の設定に合わせた、さまざまなトラフィックシナリオ、オンデマンドに対応する動的な時間シーングラフを生成する新しい方法を紹介します。
時間グラフニューラルネットワーク（GNN）モデルは、実際の空間的相互作用パターンに導かれ、予測を意味的に有効なリンクに制限するオントロジーによって制約される、自由車両、エージェント、および静的構造の間の関係を予測することを学びます。
私たちのモデルは、要求されたシナリオに対応するリンクを正確に生成する際に、ベースラインを一貫して上回ります。
予測されたシナリオをシミュレーションでレンダリングして、AVエージェントのテスト環境としての有効性をさらに実証します。

要約(オリジナル)

Testing and validating Autonomous Vehicle (AV) performance in safety-critical and diverse scenarios is crucial before real-world deployment. However, manually creating such scenarios in simulation remains a significant and time-consuming challenge. This work introduces a novel method that generates dynamic temporal scene graphs corresponding to diverse traffic scenarios, on-demand, tailored to user-defined preferences, such as AV actions, sets of dynamic agents, and criticality levels. A temporal Graph Neural Network (GNN) model learns to predict relationships between ego-vehicle, agents, and static structures, guided by real-world spatiotemporal interaction patterns and constrained by an ontology that restricts predictions to semantically valid links. Our model consistently outperforms the baselines in accurately generating links corresponding to the requested scenarios. We render the predicted scenarios in simulation to further demonstrate their effectiveness as testing environments for AV agents.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google