A novel framework for adaptive stress testing of autonomous vehicles in highways

要約

自動運転車 (AV) の安全な動作を保証することは、自動運転車 (AV) が広く普及し一般に受け入れられるために重要です。
したがって、標準の安全性テストに照らして AV を評価するだけでなく、危険な動作やシナリオにつながる可能性のある、テスト中の AV の潜在的なコーナーケースを発見することも非常に重要です。
この論文では、高速道路の交通シナリオにおいて安全上の懸念を引き起こす可能性のあるコーナーケースを系統的に調査するための新しいフレームワークを提案します。
このフレームワークは、マルコフ意思決定プロセスを活用してシナリオを定式化し、深層強化学習 (DRL) を利用してコーナーケースを表す望ましいパターンを発見する新しい検証手法である適応ストレス テスト (AST) アプローチに基づいています。
この目的を達成するために、テスト対象の AV (つまり、自車両) と高速道路上の他の車両の軌跡との間の衝突確率推定に基づいて、AST が衝突シナリオを特定するように導く DRL 用の新しい報酬関数を開発します。
提案されたフレームワークは新しい運転モデル​​とさらに統合されており、高速道路上の車両の縦方向と横方向の両方の動きを捉える、より現実的な交通シナリオを作成できるようになります。
私たちの実験では、カリフォルニアでの自動運転車に関する実際の衝突統計を使用してモデルを調整し、AV とフレームワークの特性を分析します。
私たちの実験結果の定量的および定性的分析は、私たちのフレームワークが他の既存のASTスキームよりも優れていることを示しています。
この研究は、人間の運転では知られていない、または存在しない AV の衝突シナリオを発見するのに役立ち、それによって AV テクノロジーの安全性と信頼性が向上します。

要約(オリジナル)

Guaranteeing the safe operations of autonomous vehicles (AVs) is crucial for their widespread adoption and public acceptance. It is thus of a great significance to not only assess the AV against the standard safety tests, but also discover potential corner cases of the AV under test that could lead to unsafe behaviour or scenario. In this paper, we propose a novel framework to systematically explore corner cases that can result in safety concerns in a highway traffic scenario. The framework is based on an adaptive stress testing (AST) approach, an emerging validation method that leverages a Markov decision process to formulate the scenarios and deep reinforcement learning (DRL) to discover the desirable patterns representing corner cases. To this end, we develop a new reward function for DRL to guide the AST in identifying crash scenarios based on the collision probability estimate between the AV under test (i.e., the ego vehicle) and the trajectory of other vehicles on the highway. The proposed framework is further integrated with a new driving model enabling us to create more realistic traffic scenarios capturing both the longitudinal and lateral movements of vehicles on the highway. In our experiment, we calibrate our model using real-world crash statistics involving automated vehicles in California, and then we analyze the characteristics of the AV and the framework. Quantitative and qualitative analyses of our experimental results demonstrate that our framework outperforms other existing AST schemes. The study can help discover crash scenarios of AV that are unknown or absent in human driving, thereby enhancing the safety and trustworthiness of AV technology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google