CC-SGG: Corner Case Scenario Generation using Learned Scene Graphs

要約

コーナーケースのシナリオは、自動運転車 (AV) の安全性をテストおよび検証するために不可欠なツールです。
これらのシナリオは自然主義的な運転データセットには十分に存在しないことが多いため、合成のコーナーケースでデータを補強することで、特殊な状況における AV の安全な動作が大幅に強化されます。
ただし、合成的でありながら現実的なコーナーケースの生成には、大きな課題が生じます。
この研究では、ヘテロジニアス グラフ ニューラル ネットワーク (HGNN) に基づく新しいアプローチを導入し、通常の運転シナリオを特殊なケースに変換します。
これを実現するために、まず通常の運転シーンの簡潔な表現をシーン グラフとして生成し、その構造とプロパティの操作を最小限に抑えます。
次に、私たちのモデルは、アテンションとトリプル エンベディングを使用して、これらのグラフに摂動を加えてコーナー ケースを生成することを学習します。
次に、入力グラフと摂動グラフがシミュレーションにインポートされて戻され、コーナーケース シナリオが生成されます。
私たちのモデルは、入力シーン グラフからコーナー ケースを生成することを学習し、テスト データセットで 89.9% の予測精度を達成しました。
さらに、ベースラインの自動運転方法に関して生成されたシナリオを検証し、ベースラインに対してクリティカルな状況を効果的に作り出すモデルの能力を実証します。

要約(オリジナル)

Corner case scenarios are an essential tool for testing and validating the safety of autonomous vehicles (AVs). As these scenarios are often insufficiently present in naturalistic driving datasets, augmenting the data with synthetic corner cases greatly enhances the safe operation of AVs in unique situations. However, the generation of synthetic, yet realistic, corner cases poses a significant challenge. In this work, we introduce a novel approach based on Heterogeneous Graph Neural Networks (HGNNs) to transform regular driving scenarios into corner cases. To achieve this, we first generate concise representations of regular driving scenes as scene graphs, minimally manipulating their structure and properties. Our model then learns to perturb those graphs to generate corner cases using attention and triple embeddings. The input and perturbed graphs are then imported back into the simulation to generate corner case scenarios. Our model successfully learned to produce corner cases from input scene graphs, achieving 89.9% prediction accuracy on our testing dataset. We further validate the generated scenarios on baseline autonomous driving methods, demonstrating our model’s ability to effectively create critical situations for the baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google