[論文レビュー] Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior

Davis Rempe, Jonah Philion+3 more|arXiv (Cornell University)|Dec 9, 2021

Autonomous Vehicle Technology and Safety被引用数 4

ひとこと要約

STRIVE は、交通運動をモデル化するグラフベースの条件付き変分オートエンコーダーの潜在空間において軌跡を最適化することで、現実的で挑戦的な衝突しやすいドライブシナリオを生成する。学習済みの交通運動事前分布を用いてシナリオの妥当性を保証し、ソリューション最適化により有用なシナリオを同定し、多様で解ける衝突事例を生成することでプランナを改善する。2つのプランナで成功したハイパーパrameterチューニングが実証された。

ABSTRACT

Evaluating and improving planning for autonomous vehicles requires scalable generation of long-tail traffic scenarios. To be useful, these scenarios must be realistic and challenging, but not impossible to drive through safely. In this work, we introduce STRIVE, a method to automatically generate challenging scenarios that cause a given planner to produce undesirable behavior, like collisions. To maintain scenario plausibility, the key idea is to leverage a learned model of traffic motion in the form of a graph-based conditional VAE. Scenario generation is formulated as an optimization in the latent space of this traffic model, perturbing an initial real-world scene to produce trajectories that collide with a given planner. A subsequent optimization is used to find a "solution" to the scenario, ensuring it is useful to improve the given planner. Further analysis clusters generated scenarios based on collision type. We attack two planners and show that STRIVE successfully generates realistic, challenging scenarios in both cases. We additionally "close the loop" and use these scenarios to optimize hyperparameters of a rule-based planner.

研究の動機と目的

• 自律走行車（AV）開発における希少で高リスクの走行シナリオのデータ不足を解決すること。
• 手動でのシナリオ設計に依存せずに、特定のプランナを失敗させる現実的で挑戦的なシナリオを生成すること。
• 生成されたシナリオが衝突誘発的であるだけでなく、理想化されたプランナによって解けること、つまり実際のプランナの改善に有用であることを保証すること。
• 衝突タイプに基づいてシナリオをクラスタリングし、プランナの弱みを特定すること。
• 生成されたシナリオを活用して、ルールベースのプランナのハイパーパrameterをチューニングするというフィードバックループを構築すること。

提案手法

• STRIVE は、実世界データから得た交通運動の事前分布を学習するために、グラフベースの条件付き変分オートエンコーダー（VAE）を用いる。
• シナリオ生成を、ターゲットプランナと衝突を引き起こすように実世界のシーンを変更する潜在空間における敵対的最適化問題として定式化する。
• 事前に敵対的エージェントを選別するのではなく、すべてのエージェントを同時に最適化することで、多様で現実的な相互作用を実現する。
• プランナが微分不能であっても、勾配ベースの最適化を可能にするために、プランナの微分可能代理を用いる。
• 二次的なソリューション最適化を適用し、理想化されたプランナが安全に走行可能なシナリオかどうかを検証することで、退化したケースを除外する。
• 幾何的および時間的特性に基づいて、衝突タイプごとにシナリオをクラスタリングし、プランナの故障モードを分析する。

実験結果

リサーチクエスチョン

• RQ1 学習済みの交通運動事前分布を用いて、手動でのシナリオ設計に依存せずに、現実的で挑戦的な衝突しやすいシナリオを生成できるか？
• RQ2 交通モデルの潜在空間における敵対的最適化が、多様で現実的な衝突シナリオを生成できるか？
• RQ3 ソリューション最適化が、根本的に解けないシナリオを検出し、有用でないシナリオを除外できるか？
• RQ4 生成されたシナリオを用いて、ルールベースのプランナの設計的欠陥を特定し、ハイパーパrameterをチューニングできるか？
• RQ5 生成されたシナリオからどのような衝突パターンが生じるか？また、それらはプランナの脆弱性をどのように明らかにするか？

主な発見

• STRIVE は、2つの異なるAVプランナ（包括的に、新しいルールベースのプランナを含む）に対して、現実的で多様な衝突シナリオを成功裏に生成した。
• ソリューション最適化は、退化したシナリオを効果的に除外した：解が存在しないシナリオではハイパーパrameter設定の成功率が11.8%にとどまったが、解が存在するシナリオでは29.8%であった。
• 生成されたシナリオは、2次衝突行動（例：プランナの不安全な反応を誘発することで連鎖的衝突を引き起こす）を明らかにした。
• この手法は、ルールベースのプランナの根本的な設計的限界を特定し、生成されたシナリオを用いた効果的なハイパーパrameterチューニングを可能にした。
• 失敗事例には、未来を予知するような不現実な解（例：将来の行動を予測して回避する）や、走行不能領域を走行する極端な行動が含まれており、これらは検出可能で削除可能であった。
• 多カテゴリ交通モデルを用いて、Pedestrian や cyclist を含む敵対的シナリオの生成が、プロトタイプとして成功した。