Die Studie präsentiert CaDRE, ein neuartiges Rahmenwerk zur Generierung von sicherheitskritischen Fahrszenarios für autonome Fahrzeuge. CaDRE verwendet eine Quality-Diversity-Formulierung, um sowohl die Qualität als auch die Vielfalt der generierten Szenarien zu optimieren.
Zunächst werden reale Fahrzeugtrajektorien aus einem Datensatz verwendet und durch kontrollierte Perturbationen in sicherheitskritische Szenarien überführt. Dafür werden Zielfunktionen definiert, die die Sicherheitskritikalität der Szenarien quantifizieren, sowie Maßfunktionen, die verschiedene Aspekte der Szenariendiversität erfassen.
Anschließend wird ein Quality-Diversity-Optimierungsalgorithmus eingesetzt, um eine Archivstruktur aufzubauen, die eine Vielzahl hochqualitativer und diverser sicherheitskritischer Szenarien enthält. Zusätzlich wird ein neuartiger "Occupancy-Aware Restart"-Mechanismus eingeführt, der die Effizienz der Exploration verbessert.
Die Experimente auf drei repräsentativen Verkehrsszenarien zeigen, dass CaDRE deutlich bessere Leistung in Bezug auf Abdeckung, durchschnittliche Qualität und Gesamtqualität-Diversität-Wert erzielt als bestehende Methoden aus dem Bereich des Reinforcement Learning und der stichprobenbasierten Verfahren.
To Another Language
from source content
arxiv.org
ข้อมูลเชิงลึกที่สำคัญจาก
by Peide Huang,... ที่ arxiv.org 03-21-2024
https://arxiv.org/pdf/2403.13208.pdfสอบถามเพิ่มเติม