Generating Traffic Scenarios via In-Context Learning to Learn Better Motion Planner

要約

モーション計画は、自律運転における重要なコンポーネントです。
最先端のモーションプランナーは、細心の注意を払ってキュレーションされたデータセットで訓練されています。これは、注釈を付けるのに費用がかかるだけでなく、めったに見られない重要なシナリオをキャプチャするのにも不十分です。
このようなシナリオを考慮しないと、モーションプランナーに大きなリスクがあり、テスト中にインシデントにつながる可能性があります。
直感的なソリューションは、シミュレーター（Carlaなど）をプログラミングおよび実行することにより、このようなシナリオを手動で作成することです。
ただし、このアプローチにはかなりの人的費用が発生します。
これにより動機付けられて、私たちは、より堅牢なモーションプランナーを訓練するために、多様な重要なトラフィックシナリオを生成するための安価な方法を提案します。
まず、トラフィックシナリオをスクリプトとして表します。スクリプトは、シミュレータがトラフィックシナリオを生成するために使用します。
次に、ユーザー指定のテキストの説明を受け入れる方法を開発します。これは、大規模な言語モデルがコンテキスト内学習を使用してスクリプトに変換されます。
出力スクリプトは、対応するトラフィックシナリオを生成するシミュレーターに送信されます。
この方法では、豊富な安全性が批判的なトラフィックシナリオを生成できるため、モーションプランナーの合成トレーニングデータとしてそれらを使用します。
生成されたシナリオの価値を実証するために、合成データ、実際のデータセット、および両方の組み合わせで既存のモーションプランナーをトレーニングします。
私たちの実験は、データでトレーニングされたモーションプランナーは、実際のデータのみでトレーニングされたもののみを大幅に上回ることを示しており、合成データの有用性とデータ生成方法の有効性を示しています。
ソースコードは、https：//ezharjan.github.io/autoscenegenで入手できます。

要約(オリジナル)

Motion planning is a crucial component in autonomous driving. State-of-the-art motion planners are trained on meticulously curated datasets, which are not only expensive to annotate but also insufficient in capturing rarely seen critical scenarios. Failing to account for such scenarios poses a significant risk to motion planners and may lead to incidents during testing. An intuitive solution is to manually compose such scenarios by programming and executing a simulator (e.g., CARLA). However, this approach incurs substantial human costs. Motivated by this, we propose an inexpensive method for generating diverse critical traffic scenarios to train more robust motion planners. First, we represent traffic scenarios as scripts, which are then used by the simulator to generate traffic scenarios. Next, we develop a method that accepts user-specified text descriptions, which a Large Language Model translates into scripts using in-context learning. The output scripts are sent to the simulator that produces the corresponding traffic scenarios. As our method can generate abundant safety-critical traffic scenarios, we use them as synthetic training data for motion planners. To demonstrate the value of generated scenarios, we train existing motion planners on our synthetic data, real-world datasets, and a combination of both. Our experiments show that motion planners trained with our data significantly outperform those trained solely on real-world data, showing the usefulness of our synthetic data and the effectiveness of our data generation method. Our source code is available at https://ezharjan.github.io/AutoSceneGen.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google