Foundation Models for Rapid Autonomy Validation

要約

私たちは、自律的な車両パフォーマンスの検証の問題に動機付けられています。
重要な課題は、自動運転車では、安全性の強力なケースを提供し、エッジケースの病理学的行動がないことを示すために、まれなイベントを含むあらゆる種類の運転シナリオでテストする必要があることです。
自動運転車会社は、現実的なシミュレーションで駆動される潜在的に数百万マイルに依存して、衝突率と衝突の重大度を推定するのに十分なマイルに駆動スタックを公開します。
スケーラビリティとカバレッジに対処するために、運転シナリオを再構築するように訓練された行動基盤モデル、特にマスクされた自動エンコーダー（MAE）の使用を提案します。
基礎モデルを2つの補完的な方法で活用します。（i）学習した埋め込みスペースを使用して定性的に類似したシナリオをグループ化し、（ii）シミュレーション時の衝突の可能性に基づいてモデルを微調整してシナリオの難易度をラベル付けします。
シナリオのグループの重要性の重みとして難易度を使用します。
結果は、あらゆる種類の運転シナリオへの露出を確保しながら、ハードシナリオに優先順位を付けることにより、衝突のレートと重大度をより迅速に推定できるアプローチです。

要約(オリジナル)

We are motivated by the problem of autonomous vehicle performance validation. A key challenge is that an autonomous vehicle requires testing in every kind of driving scenario it could encounter, including rare events, to provide a strong case for safety and show there is no edge-case pathological behavior. Autonomous vehicle companies rely on potentially millions of miles driven in realistic simulation to expose the driving stack to enough miles to estimate rates and severity of collisions. To address scalability and coverage, we propose the use of a behavior foundation model, specifically a masked autoencoder (MAE), trained to reconstruct driving scenarios. We leverage the foundation model in two complementary ways: we (i) use the learned embedding space to group qualitatively similar scenarios together and (ii) fine-tune the model to label scenario difficulty based on the likelihood of a collision upon simulation. We use the difficulty scoring as importance weighting for the groups of scenarios. The result is an approach which can more rapidly estimate the rates and severity of collisions by prioritizing hard scenarios while ensuring exposure to every kind of driving scenario.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google