CaDRE: Controllable and Diverse Generation of Safety-Critical Driving Scenarios using Real-World Trajectories

要約

シミュレーションは自動運転車 (AV) の開発とテストに不可欠なツールであり、路上テストに代わる効率的で安全な代替手段を提供します。
シミュレーションベースのテストにおける顕著な課題は、安全性が重要なシナリオの生成です。これは、AV がまれではあるが潜在的に致命的な状況に確実に対処できるようにするために不可欠です。
このペーパーでは、現実的で多様かつ制御可能なセーフティクリティカルなシナリオを生成する新しいフレームワーク CaDRE を導入することで、この課題に対処します。
私たちのアプローチは、現実世界のシナリオ、ドメイン知識、ブラックボックス最適化を統合する独自の定式化とアルゴリズムを採用することで、シナリオの品質と多様性の両方を最適化します。
私たちは、3 つの代表的なタイプのトラフィック シナリオにおける広範なテストを通じて、フレームワークの有効性を検証します。
その結果、既存の強化学習 (RL) やサンプリング ベースの手法よりも優れたサンプル効率で、多様で高品質のシナリオを生成する優れたパフォーマンスが実証されました。

要約(オリジナル)

Simulation is an indispensable tool in the development and testing of autonomous vehicles (AVs), offering an efficient and safe alternative to road testing. An outstanding challenge with simulation-based testing is the generation of safety-critical scenarios, which are essential to ensure that AVs can handle rare but potentially fatal situations. This paper addresses this challenge by introducing a novel framework, CaDRE, to generate realistic, diverse, and controllable safety-critical scenarios. Our approach optimizes for both the quality and diversity of scenarios by employing a unique formulation and algorithm that integrates real-world scenarios, domain knowledge, and black-box optimization. We validate the effectiveness of our framework through extensive testing in three representative types of traffic scenarios. The results demonstrate superior performance in generating diverse and high-quality scenarios with greater sample efficiency than existing reinforcement learning (RL) and sampling-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google