Generating Traffic Scenarios via In-Context Learning to Learn Better Motion Planner

要約

動作計画は自動運転において重要な要素です。
最先端のモーション プランナーは、細心の注意を払って厳選されたデータセットに基づいてトレーニングされていますが、注釈を付けるのにコストがかかるだけでなく、めったに見られない重要なシナリオをキャプチャするには不十分です。
このようなシナリオを考慮しないと、モーション プランナーに重大なリスクが生じ、テスト中にインシデントが発生する可能性があります。
直観的な解決策は、シミュレーター (CARLA など) をプログラミングして実行することで、このようなシナリオを手動で作成することです。
ただし、このアプローチには多大な人的コストがかかります。
これを動機として、より堅牢な動作プランナーを訓練するために、多様な重要な交通シナリオを生成するための安価な方法を提案します。
まず、交通シナリオをスクリプトとして表します。その後、シミュレーターはこれを使用して交通シナリオを生成します。
次に、ユーザー指定のテキスト記述を受け入れるメソッドを開発します。これは、大規模言語モデル (LLM) がコンテキスト内学習を使用してスクリプトに変換します。
出力スクリプトは、対応するトラフィック シナリオを生成するシミュレーターに送信されます。
私たちの方法は安全性が重要な交通シナリオを豊富に生成できるため、それらをモーション プランナーの合成トレーニング データとして使用します。
生成されたシナリオの価値を実証するために、合成データ、現実世界のデータセット、およびその両方の組み合わせに基づいて既存のモーション プランナーをトレーニングします。
私たちの実験では、データを使用してトレーニングされたモーション プランナーが、実世界のデータのみでトレーニングされたモーション プランナーよりも大幅に優れていることが示されており、合成データの有用性とデータ生成方法の有効性が示されています。
ソース コードは https://ezharjan.github.io/AutoSceneGen で入手できます。

要約(オリジナル)

Motion planning is a crucial component in autonomous driving. State-of-the-art motion planners are trained on meticulously curated datasets, which are not only expensive to annotate but also insufficient in capturing rarely seen critical scenarios. Failing to account for such scenarios poses a significant risk to motion planners and may lead to incidents during testing. An intuitive solution is to manually compose such scenarios by programming and executing a simulator (e.g., CARLA). However, this approach incurs substantial human costs. Motivated by this, we propose an inexpensive method for generating diverse critical traffic scenarios to train more robust motion planners. First, we represent traffic scenarios as scripts, which are then used by the simulator to generate traffic scenarios. Next, we develop a method that accepts user-specified text descriptions, which a Large Language Model (LLM) translates into scripts using in-context learning. The output scripts are sent to the simulator that produces the corresponding traffic scenarios. As our method can generate abundant safety-critical traffic scenarios, we use them as synthetic training data for motion planners. To demonstrate the value of generated scenarios, we train existing motion planners on our synthetic data, real-world datasets, and a combination of both. Our experiments show that motion planners trained with our data significantly outperform those trained solely on real-world data, showing the usefulness of our synthetic data and the effectiveness of our data generation method. Our source code is available at https://ezharjan.github.io/AutoSceneGen.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google