SEAL: Towards Safe Autonomous Driving via Skill-Enabled Adversary Learning for Closed-Loop Scenario Generation

要約

自動運転 (AD) テクノロジーが現実世界で普及するにつれて、そのシステムとコンポーネントの検証と検証の重要性が増しています。
安全性が重要なシナリオの生成は、閉ループ トレーニングを通じて AD ポリシーを強化するための重要なアプローチです。
ただし、シナリオ生成の既存のアプローチは単純化された目的に依存しているため、過度に攻撃的または非反応的な敵対的な行動が生じます。
多様な敵対的でありながら現実的なシナリオを生成するために、学習したスコアリング機能と敵対的な人間のようなスキルを活用するシナリオ摂動アプローチである SEAL を提案します。
SEAL が混乱させたシナリオは SOTA ベースラインよりも現実的であり、現実世界、配布内および配布外のシナリオ全体でエゴ タスクの成功率が 20% 以上向上しました。
将来の研究を促進するために、コードとツールをリリースします: https://github.com/cmubig/SEAL

要約(オリジナル)

Verification and validation of autonomous driving (AD) systems and components is of increasing importance, as such technology increases in real-world prevalence. Safety-critical scenario generation is a key approach to robustify AD policies through closed-loop training. However, existing approaches for scenario generation rely on simplistic objectives, resulting in overly-aggressive or non-reactive adversarial behaviors. To generate diverse adversarial yet realistic scenarios, we propose SEAL, a scenario perturbation approach which leverages learned scoring functions and adversarial, human-like skills. SEAL-perturbed scenarios are more realistic than SOTA baselines, leading to improved ego task success across real-world, in-distribution, and out-of-distribution scenarios, of more than 20%. To facilitate future research, we release our code and tools: https://github.com/cmubig/SEAL

arxiv情報

提供元, 利用サービス

arxiv.jp, Google