CORTEX-AVD: A Framework for CORner Case Testing and EXploration in Autonomous Vehicle Development

要約

自律車（AVS）は、人為的エラーを減らすことにより、交通の安全性と効率を改善することを目指しています。
ただし、AVSの信頼性と安全性を確保することは、まれでリスクの高いトラフィックシナリオを考慮した場合に困難な作業です。
予期しない車両の操作や突然の歩行者の交差などのこれらの「コーナーケース」（CC）シナリオは、AVSが運営中に安全かつ信頼できるものにする必要があります。
しかし、それらは効率的に生成されるようになります。
従来のCC世代は、費用がかかり、リスクの高い現実世界のデータ収集、スケーラビリティの制限、および研究開発の進歩の鈍化に依存しています。
シミュレーションベースの手法も課題に直面しています。さまざまなシナリオをモデル化し、可能なすべてのCCをキャプチャすることは複雑で時間がかかるためです。
CC世代のこれらの制限に対処するために、この研究では、CARLAシミュレーターと風光明媚なオープンソースのフレームワークである自動運転車開発の皮質AVD、コーナーケーステストと探査を導入し、テキストの説明からCCを自動的に生成し、シナリオモデリングの多様性と自動化を増やします。
遺伝的アルゴリズム（GA）は、6つのケーススタディシナリオでシナリオパラメーターを最適化するために使用され、リスクの高いイベントの発生を増加させます。
以前の方法とは異なり、Cortex-AVDには、距離、時間、速度、衝突の尤度などの変数を考慮する多要素フィットネス関数が組み込まれています。
さらに、この調査では、GAベースのCC生成方法を比較するためのベンチマークを提供し、合成データ生成とシナリオ評価のより標準化された評価に貢献しています。
実験結果は、皮質-AVDフレームワークが無駄なシミュレーションの割合を減らしながらCCの発生率を大幅に増加させることを示しています。

要約(オリジナル)

Autonomous Vehicles (AVs) aim to improve traffic safety and efficiency by reducing human error. However, ensuring AVs reliability and safety is a challenging task when rare, high-risk traffic scenarios are considered. These ‘Corner Cases’ (CC) scenarios, such as unexpected vehicle maneuvers or sudden pedestrian crossings, must be safely and reliable dealt by AVs during their operations. But they arehard to be efficiently generated. Traditional CC generation relies on costly and risky real-world data acquisition, limiting scalability, and slowing research and development progress. Simulation-based techniques also face challenges, as modeling diverse scenarios and capturing all possible CCs is complex and time-consuming. To address these limitations in CC generation, this research introduces CORTEX-AVD, CORner Case Testing & EXploration for Autonomous Vehicles Development, an open-source framework that integrates the CARLA Simulator and Scenic to automatically generate CC from textual descriptions, increasing the diversity and automation of scenario modeling. Genetic Algorithms (GA) are used to optimize the scenario parameters in six case study scenarios, increasing the occurrence of high-risk events. Unlike previous methods, CORTEX-AVD incorporates a multi-factor fitness function that considers variables such as distance, time, speed, and collision likelihood. Additionally, the study provides a benchmark for comparing GA-based CC generation methods, contributing to a more standardized evaluation of synthetic data generation and scenario assessment. Experimental results demonstrate that the CORTEX-AVD framework significantly increases CC incidence while reducing the proportion of wasted simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google