EMPERROR: A Flexible Generative Perception Error Model for Probing Self-Driving Planners

要約

現実世界の交通の複雑さに対処するには、自動運転のためのプランナーをデータから学習することが有望な方向性です。
最近のアプローチは大きな進歩を示していますが、通常は、グラウンドトゥルースの世界状態が入力として利用できる設定を前提としています。
ただし、導入時には、ノイズの多い知覚システムによって発生するエラーのロングテールに対して計画を堅牢にする必要があり、評価では無視されることがよくあります。
これに対処するために、以前の研究では、目標物体検出器のノイズ特性を模倣する知覚誤差モデル (PEM) から敵対的サンプルを抽出することが提案されています。
ただし、これらの方法では単純な PEM が使用されているため、すべての障害モードの検出を正確に捉えることができません。
この論文では、新しいトランスベースの生成 PEM である EMPERROR を紹介し、それを模倣学習 (IL) ベースのプランナーのストレス テストに適用し、以前の研究よりも最新の検出器をより忠実に模倣していることを示します。
さらに、プランナーの衝突率を最大 85% 増加させる現実的なノイズの多い入力を生成することができ、自動運転プランナーのより完全な評価のための貴重なツールとしての有用性を示しています。

要約(オリジナル)

To handle the complexities of real-world traffic, learning planners for self-driving from data is a promising direction. While recent approaches have shown great progress, they typically assume a setting in which the ground-truth world state is available as input. However, when deployed, planning needs to be robust to the long-tail of errors incurred by a noisy perception system, which is often neglected in evaluation. To address this, previous work has proposed drawing adversarial samples from a perception error model (PEM) mimicking the noise characteristics of a target object detector. However, these methods use simple PEMs that fail to accurately capture all failure modes of detection. In this paper, we present EMPERROR, a novel transformer-based generative PEM, apply it to stress-test an imitation learning (IL)-based planner and show that it imitates modern detectors more faithfully than previous work. Furthermore, it is able to produce realistic noisy inputs that increase the planner’s collision rate by up to 85%, demonstrating its utility as a valuable tool for a more complete evaluation of self-driving planners.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google