[논문 리뷰] Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior

Davis Rempe, Jonah Philion외 3명|arXiv (Cornell University)|2021. 12. 09.

Autonomous Vehicle Technology and Safety인용 수 4

한 줄 요약

STRIVE는 교통 운동을 모델링하는 그래프 기반 조건부 VAE의 잠재공간에서 궤적을 최적화하여 현실적이고 도전적인 사고 유발 주행 시나리오를 생성한다. 학습된 교통 사전 지식을 통해 시나리오의 타당성을 보장하고, 해법 최적화를 통해 유용한 시나리오를 식별하며, 다양한 충돌 사례를 생성함으로써 계획자 성능을 향상시킨다. 두 계획자에 대한 성공적인 초모수 조정을 통해 성능을 입증하였다.

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.

연구 동기 및 목표

• 자율주행차(AV) 개발에서 희귀하고 고위험 주행 시나리오의 데이터 부족 문제를 해결하기 위해.
• 수동적 시나리오 설계에 의존하지 않고, 주어진 계획자가 실패하게 하는 현실적이고 도전적인 시나리오를 생성하기 위해.
• 생성된 시나리오가 충돌을 유도할 뿐 아니라 이상적인 계획자에 의해 해결 가능한지 보장하여 실제 계획자 향상에 기여하기 위해.
• 충돌 유형에 따라 시나리오를 분석하고 군집화하여 계획자 취약점을 파악하기 위해.
• 생성된 시나리오를 활용해 규칙 기반 계획자의 초모수를 조정함으로써 피드백 루프를 완성하기 위해.

제안 방법

• STRIVE는 실제 데이터에서 교통 운동의 사전 지식을 학습하기 위해 그래프 기반 조건부 변동 자동차오디오(VEA)를 사용한다.
• 시나리오 생성을 교통 모델의 잠재공간에서의 적대적 최적화 문제로 설정하여, 실제 장면을 변형시켜 목표 계획자와의 충돌을 유도한다.
• 사전에 적대자를 선별하지 않고 장면 내 모든 에이전트를 동시에 최적화함으로써 다양한 현실적인 상호작용을 가능하게 한다.
• 계획자가 비가역적일지라도 기울기 기반 최적화를 가능하게 하기 위해 계획자의 미분 가능한 대체 모델을 사용한다.
• 2차 해법 최적화를 적용하여 이상적인 계획자가 안전하게 주행할 수 있는지 검증함으로써, 극단적인 경우를 걸러내고 타당성 없는 시나리오를 제거한다.
• 기하학적 및 시간적 성질을 기반으로 충돌 유형에 따라 시나리오를 군집화하여 계획자 실패 유형을 분석한다.

실험 결과

연구 질문

• RQ1 학습된 교통 운동 사전 지식을 사용하여 수동적 시나리오 설계 없이 현실적이고 도전적인 사고 유발 시나리오를 생성할 수 있는가?
• RQ2 교통 모델의 잠재공간에서의 적대적 최적화가 다양한 현실적인 충돌 시나리오를 생성할 수 있는가?
• RQ3 해법 최적화가 본질적으로 해결 불가능한 시나리오를 탐지하고 걸러낼 수 있는가, 이를 통해 오직 유용한 시나리오만 유지되는가?
• RQ4 생성된 시나리오는 규칙 기반 계획자의 설계 결함을 파악하고 초모수를 조정하는 데 사용될 수 있는가?
• RQ5 생성된 시나리오에서 어떤 종류의 충돌 패tern이 나타나며, 이는 계획자 취약점을 어떻게 드러내는가?

주요 결과

• STRIVE는 두 대의 다른 자율주행차 계획자(특히 새로운 규칙 기반 계획자 포함)에 대해 현실적이고 다양한 충돌 시나리오를 성공적으로 생성하였다.
• 해법 최적화가 극단적인 시나리오를 효과적으로 걸러냈다: 해법이 존재하지 않는 시나리오에서는 초모수 설정의 성공률이 11.8%에 그쳤지만, 해법이 존재하는 시나리오에서는 29.8%로 높았다.
• 생성된 시나리오는 제2차 충돌 행동, 예를 들어 계획자의 안전하지 않은 반응을 유도해 연쇄 충돌을 일으키는 적대자 행동을 드러냈다.
• 이 방법은 규칙 기반 계획자에 대한 근본적인 설계 한계를 성공적으로 파악했고, 생성된 시나리오를 활용해 효과적인 초모수 조정을 수행할 수 있었다.
• 실패 케이스로는 미래 정보를 활용한 조작적 움직임으로 충돌을 피하는 비현실적인 해법과, 주행 불가 영역에서 주행하는 극단적인 행동이 포함되었으며, 이러한 사례들은 탐지 및 제거 가능했다.
• 다중 카테고리 교통 모델을 활용해 보행자 및 자전거 기반의 적대적 시나리오 생성에 대한 개념 증명을 성공적으로 수행하였다.