Adv-BMT: Bidirectional Motion Transformer for Safety-Critical Traffic Scenario Generation

要約

シナリオベースのテストは、自律運転（AD）システムのパフォーマンスを検証するために不可欠です。
ただし、このようなテストは、現実世界で収集された既存のデータセットにおける長期尾のある安全性が批判的なシナリオの希少性によって制限されています。
データの問題に取り組むために、ADV-BMTフレームワークを提案します。これは、多様で現実的な敵対的な相互作用で実際のシナリオを強化します。
ADV-BMTのコアコンポーネントは、逆方向のモーショントランス（BMT）モデルであり、インバーストラフィックモーション予測を実行します。これにより、シナリオの最後のタイムステップで入力としてエージェント情報を取得し、最初のタイムステップまで時系列の逆のトラフィックを再構築します。
ADV-BMTフレームワークは2段階のパイプラインです。最初に敵対的な初期化を実施し、次に逆運動予測を実施します。
以前の作業とは異なり、事前トレーニングに衝突データは必要ありません。また、現実的で多様な衝突相互作用を生成することができます。
実験結果は、ADV-BMTによる生成された衝突シナリオの品質を検証します。増強されたデータセットでのトレーニングは、以前の作業と比較してエピソードの衝突率を20 \％減少させます。

要約(オリジナル)

Scenario-based testing is essential for validating the performance of autonomous driving (AD) systems. However, such testing is limited by the scarcity of long-tailed, safety-critical scenarios in existing datasets collected in the real world. To tackle the data issue, we propose the Adv-BMT framework, which augments real-world scenarios with diverse and realistic adversarial interactions. The core component of Adv-BMT is a bidirectional motion transformer (BMT) model to perform inverse traffic motion predictions, which takes agent information in the last time step of the scenario as input, and reconstruct the traffic in the inverse of chronological order until the initial time step. The Adv-BMT framework is a two-staged pipeline: it first conducts adversarial initializations and then inverse motion predictions. Different from previous work, we do not need any collision data for pretraining, and are able to generate realistic and diverse collision interactions. Our experimental results validate the quality of generated collision scenarios by Adv-BMT: training in our augmented dataset would reduce episode collision rates by 20\% compared to previous work.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google