GAS: Generating Fast and Accurate Surrogate Models for Autonomous Vehicle Systems

要約

最新の自動運転車システムは、複雑な認識および制御コンポーネントを使用します。
これらのコンポーネントは、このようなシステムの開発中に急速に変更される可能性があるため、継続的な再テストが必要になります。
残念ながら、車両の安全性を評価するためのこれらの複雑なシステムの高忠実度シミュレーションにはコストがかかります。
この複雑さは、計算量がそれほど多くないサロゲート モデルの作成も妨げます。
我々は、複雑な知覚および/または制御コンポーネントを含む完全な (知覚、制御、およびダイナミクス) 自律車両システムの代理モデルを作成するための最初のアプローチである GAS を紹介します。
GAS の 2 段階のアプローチでは、まず複雑な知覚コンポーネントを知覚モデルに置き換えます。
次に、GAS は一般化多項式カオス (GPC) を使用して、完全な車両システムの多項式代理モデルを構築します。
これらのサロゲート モデルを 2 つのアプリケーションで使用する方法を示します。
まず、時間の経過とともに車両が危険な状態になる確率を推定します。
次に、前のタイム ステップの状態に関する車両システムのグローバル感度解析を実行します。
GAS のアプローチにより、車両開発中に車両の制御とダイナミクス特性が変更された場合でも、知覚モデルの再利用が可能になり、時間を大幅に節約できます。
隣接する農作物に衝突してはならない作物管理車両、車線内を走行しなければならない自動運転車、衝突を避けなければならない無人航空機に関する 5 つのシナリオを検討します。
これらのシナリオの各システムには、複雑な認識または制御コンポーネントが含まれています。
GAS を使用して、これらのシステムの代理モデルを生成し、生成されたモデルを上記のアプリケーションで評価します。
GAS のサロゲート モデルは、高い精度を維持しながら、安全状態の確率推定で平均 $3.7\times$ (最小 $2.1\times$)、感度分析で $1.4\times$ (最小 $1.3\times$) の高速化を実現します。

要約(オリジナル)

Modern autonomous vehicle systems use complex perception and control components. These components can rapidly change during development of such systems, requiring constant re-testing. Unfortunately, high-fidelity simulations of these complex systems for evaluating vehicle safety are costly. The complexity also hinders the creation of less computationally intensive surrogate models. We present GAS, the first approach for creating surrogate models of complete (perception, control, and dynamics) autonomous vehicle systems containing complex perception and/or control components. GAS’s two-stage approach first replaces complex perception components with a perception model. Then, GAS constructs a polynomial surrogate model of the complete vehicle system using Generalized Polynomial Chaos (GPC). We demonstrate the use of these surrogate models in two applications. First, we estimate the probability that the vehicle will enter an unsafe state over time. Second, we perform global sensitivity analysis of the vehicle system with respect to its state in a previous time step. GAS’s approach also allows for reuse of the perception model when vehicle control and dynamics characteristics are altered during vehicle development, saving significant time. We consider five scenarios concerning crop management vehicles that must not crash into adjacent crops, self driving cars that must stay within their lane, and unmanned aircraft that must avoid collision. Each of the systems in these scenarios contain a complex perception or control component. Using GAS, we generate surrogate models for these systems, and evaluate the generated models in the applications described above. GAS’s surrogate models provide an average speedup of $3.7\times$ for safe state probability estimation (minimum $2.1\times$) and $1.4\times$ for sensitivity analysis (minimum $1.3\times$), while still maintaining high accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google