[论文解读] A Deep Learning Framework for Generation and Analysis of Driving Scenario Trajectories

Ανδρέας Δημητρίου, Henrik Alfsvåg+2 more|arXiv (Cornell University)|Jul 28, 2020

Autonomous Vehicle Technology and Safety被引用 11

一句话总结

本文提出了一种统一的深度学习框架，利用条件生成对抗网络（conditional GANs）和自编码器-GAN混合模型，实现对可变长度驾驶场景轨迹的生成与分析。该框架支持灵活的轨迹生成、潜在空间聚类以及异常检测，在沃尔沃汽车的真实数据上表现出色，通过重构损失实现1%的异常检测率。

ABSTRACT

We propose a unified deep learning framework for the generation and analysis of driving scenario trajectories, and validate its effectiveness in a principled way. To model and generate scenarios of trajectories with different lengths, we develop two approaches. First, we adapt the Recurrent Conditional Generative Adversarial Networks (RC-GAN) by conditioning on the length of the trajectories. This provides us the flexibility to generate variable-length driving trajectories, a desirable feature for scenario test case generation in the verification of autonomous driving. Second, we develop an architecture based on Recurrent Autoencoder with GANs to obviate the variable length issue, wherein we train a GAN to learn/generate the latent representations of original trajectories. In this approach, we train an integrated feed-forward neural network to estimate the length of the trajectories to be able to bring them back from the latent space representation. In addition to trajectory generation, we employ the trained autoencoder as a feature extractor, for the purpose of clustering and anomaly detection, to obtain further insights into the collected scenario dataset. We experimentally investigate the performance of the proposed framework on real-world scenario trajectories obtained from in-field data collection.

研究动机与目标

• 解决自动驾驶车辆安全性验证中真实驾驶场景数据不足且不平衡的挑战。
• 开发一种统一的深度学习框架，用于生成逼真的、可变长度的驾驶轨迹，以支持虚拟测试。
• 通过学习到的潜在表示实现探索性数据分析，包括聚类和异常检测。
• 在沃尔沃汽车提供的真实现场轨迹数据上验证该框架。

提出的方法

• 通过在轨迹长度上进行条件控制，改进循环条件生成对抗网络（RC-GAN），以生成可变长度的驾驶场景。
• 提出一种AE-GAN架构，通过独立的前馈网络从潜在空间表示中估计轨迹长度。
• 训练一个循环自编码器，以提取可用于下游分析任务的有意义的潜在特征。
• 采用t-SNE和PCA进行降维，以可视化潜在空间中的聚类。
• 由于聚类形状非球形，采用DBSCAN进行潜在空间聚类，K-means作为基线对比方法。
• 通过自编码器的高重构损失识别异常值，指示潜在的传感器或行为异常。

实验结果

研究问题

• RQ1 深度学习框架能否有效生成逼真且可变长度的驾驶场景轨迹，以支持自动驾驶车辆验证？
• RQ2 循环自编码器学习到的潜在表示在驾驶场景数据的聚类和异常检测中表现如何？
• RQ3 不同聚类方法（如DBSCAN与K-means）在驾驶轨迹潜在空间中的性能如何？
• RQ4 自编码器的重构损失在检测稀有或异常驾驶行为方面有多高效率？
• RQ5 所提出的生成模型在轨迹质量与多样性方面相比如何？

主要发现

• RC-GAN模型通过在轨迹长度上进行条件控制，成功生成了可变长度的驾驶轨迹，实现了灵活的测试用例生成。
• 带有长度估计功能的AE-GAN在无需固定长度输入的情况下，有效生成了不同长度的轨迹。
• 在PCA降维后的潜在空间中应用DBSCAN，识别出四个有意义的、非球形的聚类，优于K-means。
• 在2000条切入轨迹中，约1%因高重构损失被标记为异常，主要由于相对纵向距离的突然跳跃。
• 异常轨迹主要为减速切入行为，表明可能存在传感器伪影或罕见驾驶员行为。
• 该框架在通过自动化异常检测和探索性分析提升场景数据集质量方面展现出强大潜力。