Seeking to Collide: Online Safety-Critical Scenario Generation for Autonomous Driving with Retrieval Augmented Large Language Models

要約

シミュレーションに基づくテストは自律走行車（AV）の検証に不可欠であるが、既存のシナリオ生成手法は、一般的な運転パターンに過剰に適合するか、オフラインで非対話的に動作するため、稀にしか発生しないセーフティクリティカルなコーナーケースを明らかにすることができない。本論文では、セーフティクリティカルな運転シナリオを生成するための、オンライン、検索補強型大規模言語モデル（LLM）フレームワークを紹介する。本手法では、まずLLMベースの挙動解析器を用いて、観測された状態から背景車両の最も危険な意図を推測し、次に追加のLLMエージェントに問い合わせ、実行可能な敵対的軌道を合成する。そして、観測された状態から最も危険な意図を推測し、さらにLLMエージェントに問い合わせ、実行可能な敵対的軌道を合成する。壊滅的な忘却を緩和し、適応を加速するために、我々は意図とプランナーのペアを動的に記憶・検索するバンクでフレームワークを補強し、新しい意図が生じたときに自動的に行動ライブラリを拡張する。ウェイモ・オープン・モーション・データセットを用いた評価により、我々のモデルは衝突までの平均最小時間を1.62秒から1.08秒に短縮し、衝突率を75%に抑え、ベースラインを大幅に上回ることが実証された。

要約(オリジナル)

Simulation-based testing is crucial for validating autonomous vehicles (AVs), yet existing scenario generation methods either overfit to common driving patterns or operate in an offline, non-interactive manner that fails to expose rare, safety-critical corner cases. In this paper, we introduce an online, retrieval-augmented large language model (LLM) framework for generating safety-critical driving scenarios. Our method first employs an LLM-based behavior analyzer to infer the most dangerous intent of the background vehicle from the observed state, then queries additional LLM agents to synthesize feasible adversarial trajectories. To mitigate catastrophic forgetting and accelerate adaptation, we augment the framework with a dynamic memorization and retrieval bank of intent-planner pairs, automatically expanding its behavioral library when novel intents arise. Evaluations using the Waymo Open Motion Dataset demonstrate that our model reduces the mean minimum time-to-collision from 1.62 to 1.08 s and incurs a 75% collision rate, substantially outperforming baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL