RADE: Learning Risk-Adjustable Driving Environment via Multi-Agent Conditional Diffusion

要約

忠実度の高いシミュレーションで安全クリティカルなシナリオを生成することで、自律車両の効率的なテストのための有望で費用対効果の高いアプローチが提供されます。
既存の方法は通常、洗練された設計された目的を通じて、単一の車両の軌跡を操作して、多くの場合、リアリズムとスケーラビリティを犠牲にして敵対的な相互作用を誘導することに依存しています。
この作業では、統計的に現実的でリスク調整可能なトラフィックシーンを生成するシミュレーションフレームワークであるリスク調整可能な運転環境（RADE）を提案します。
マルチエージェント拡散アーキテクチャの上に構築されたレイドは、環境内のすべてのエージェントの動作を共同でモデル化し、代理リスク測定で軌跡を条件にします。
従来の敵対的な方法とは異なり、Radeはデータから直接リスクコンディショニングされた行動を学習し、制御可能なリスクレベルとの自然主義的なマルチエージェント相互作用を維持します。
物理的な妥当性を確保するために、モーションボキャブラリーを使用して生成された軌跡を効率的にフィルターするトークン化ダイナミクスチェックモジュールを組み込みます。
実際のラウンドデータセットでRadeを検証し、さまざまなリスクレベル全体で統計的リアリズムを保持し、希望するリスクレベルが成長するにつれて安全性批判的なイベントの可能性を自然に増加させることを実証します。
私たちの結果は、AV安全評価のためのスケーラブルで現実的なツールとしてのRadeの可能性を強調しています。

要約(オリジナル)

Generating safety-critical scenarios in high-fidelity simulations offers a promising and cost-effective approach for efficient testing of autonomous vehicles. Existing methods typically rely on manipulating a single vehicle’s trajectory through sophisticated designed objectives to induce adversarial interactions, often at the cost of realism and scalability. In this work, we propose the Risk-Adjustable Driving Environment (RADE), a simulation framework that generates statistically realistic and risk-adjustable traffic scenes. Built upon a multi-agent diffusion architecture, RADE jointly models the behavior of all agents in the environment and conditions their trajectories on a surrogate risk measure. Unlike traditional adversarial methods, RADE learns risk-conditioned behaviors directly from data, preserving naturalistic multi-agent interactions with controllable risk levels. To ensure physical plausibility, we incorporate a tokenized dynamics check module that efficiently filters generated trajectories using a motion vocabulary. We validate RADE on the real-world rounD dataset, demonstrating that it preserves statistical realism across varying risk levels and naturally increases the likelihood of safety-critical events as the desired risk level grows up. Our results highlight RADE’s potential as a scalable and realistic tool for AV safety evaluation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google