EMPERROR: A Flexible Generative Perception Error Model for Probing Self-Driving Planners

要約

実際のトラフィックの複雑さを処理するために、データから自動運転のための学習プランナーは有望な方向です。
最近のアプローチは大きな進歩を示していますが、通常、地上の真実の世界状態が入力として利用できる設定を想定しています。
ただし、展開する場合、計画は、騒々しい知覚システムによって発生するエラーの長い尾に堅牢である必要があります。これは、評価ではしばしば無視されます。
これに対処するために、以前の研究では、ターゲットオブジェクト検出器のノイズ特性を模倣する知覚エラーモデル（PEM）から敵対的なサンプルを描画することが提案されています。
ただし、これらの方法では、すべての障害モードを正確にキャプチャできない単純なPEMを使用します。
この論文では、新しい変圧器ベースの生成PEMであるEmperrorを提示し、それを適用して、模倣学習（IL）ベースのプランナーをストレステストし、以前の研究よりも忠実に最新の検出器を模倣することを示しています。
さらに、プランナーの衝突率を最大85％上げる現実的なノイズの多い入力を生成することができ、自動運転プランナーのより完全な評価のための貴重なツールとしての有用性を実証します。

要約(オリジナル)

To handle the complexities of real-world traffic, learning planners for self-driving from data is a promising direction. While recent approaches have shown great progress, they typically assume a setting in which the ground-truth world state is available as input. However, when deployed, planning needs to be robust to the long-tail of errors incurred by a noisy perception system, which is often neglected in evaluation. To address this, previous work has proposed drawing adversarial samples from a perception error model (PEM) mimicking the noise characteristics of a target object detector. However, these methods use simple PEMs that fail to accurately capture all failure modes of detection. In this paper, we present EMPERROR, a novel transformer-based generative PEM, apply it to stress-test an imitation learning (IL)-based planner and show that it imitates modern detectors more faithfully than previous work. Furthermore, it is able to produce realistic noisy inputs that increase the planner’s collision rate by up to 85%, demonstrating its utility as a valuable tool for a more complete evaluation of self-driving planners.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google