Generating and Explaining Corner Cases Using Learnt Probabilistic Lane Graphs

要約

オープンエンドの動的な環境で動作する自動運転車 (AV) の安全性を検証することは、車両は最終的に、代表的なトレーニング データがない安全性が重要な状況に遭遇するため、困難です。
さまざまな道路や交通状況のカバー範囲を増やし、シミュレーションベースのシナリオテストにコーナーケースを含めることによって、AV の安全性を向上させることができます。
ただし、複数のエージェントを含む特殊なシナリオの作成は簡単ではありません。
私たちのアプローチにより、エンジニアは過去の交通データに基づいて斬新で現実的なコーナーケースを生成し、なぜ安全が重要な状況なのかを説明できるようになります。
この論文では、車両が移動する可能性のある車線の位置と方向の有限セットを記述するために、確率的車線グラフ (PLG) を導入します。
PLG の構造は、時空間交通データから直接学習されます。
グラフ モデルは、特定の状態に応じたドライバーのアクションを確率的ポリシーの形式で表します。
私たちは強化学習技術を使用してこのポリシーを変更し、AV の安全性の評価に使用できる現実的で説明可能なコーナーケース シナリオを生成します。

要約(オリジナル)

Validating the safety of Autonomous Vehicles (AVs) operating in open-ended, dynamic environments is challenging as vehicles will eventually encounter safety-critical situations for which there is not representative training data. By increasing the coverage of different road and traffic conditions and by including corner cases in simulation-based scenario testing, the safety of AVs can be improved. However, the creation of corner case scenarios including multiple agents is non-trivial. Our approach allows engineers to generate novel, realistic corner cases based on historic traffic data and to explain why situations were safety-critical. In this paper, we introduce Probabilistic Lane Graphs (PLGs) to describe a finite set of lane positions and directions in which vehicles might travel. The structure of PLGs is learnt directly from spatio-temporal traffic data. The graph model represents the actions of the drivers in response to a given state in the form of a probabilistic policy. We use reinforcement learning techniques to modify this policy and to generate realistic and explainable corner case scenarios which can be used for assessing the safety of AVs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google