[论文解读] Automatic lane change scenario extraction and generation of scenarios in OpenX format from real-world data

Dhanoop Karunakaran, Julie Stephany Berrío+2 more|arXiv (Cornell University)|Mar 14, 2022

Autonomous Vehicle Technology and Safety被引用 8

一句话总结

该论文提出了一种自动化框架，通过基于点云的道路网络重建和目标跟踪，从真实世界的激光雷达和追踪数据中提取车道变更场景（如切入和切出），并生成OpenX格式的场景。该方法在仅产生两个误报的情况下，实现了对切入和切出场景100%的检测准确率，从而实现了可重复、逼真的仿真验证，用于自动驾驶系统评估。

ABSTRACT

Autonomous Vehicles (AV)'s wide-scale deployment appears imminent despite many safety challenges yet to be resolved. The modern autonomous vehicles will undoubtedly include machine learning and probabilistic techniques that add significant complexity to the traditional verification and validation methods. Road testing is essential before the deployment, but scenarios are repeatable, and it's hard to collect challenging events. Exploring numerous, diverse and crucial scenarios is a time-consuming and expensive approach. The research community and industry have widely accepted scenario-based testing in the last few years. As it is focused directly on the relevant critical road situations, it can reduce the effort required in testing. The scenario-based testing in simulation requires the realistic behaviour of the traffic participants to assess the System Under Test (SUT). It is essential to capture the scenarios from the real world to encode the behaviour of actual traffic participants. This paper proposes a novel scenario extraction method to capture the lane change scenarios using point-cloud data and object tracking information. This method enables fully automatic scenario extraction compared to similar approaches in this area. The generated scenarios are represented in OpenX format to reuse them in the SUT evaluation easily. The motivation of this framework is to build a validation dataset to generate many critical concrete scenarios. The code is available online at https://github.com/dkarunakaran/scenario_extraction_framework.

研究动机与目标

• 为解决自动驾驶（AV）测试中手动收集和标注罕见、高风险驾驶场景的挑战。
• 实现从真实世界传感器数据中全自动、数据驱动地提取车道变更场景，以改进基于场景的验证。
• 生成标准化的OpenX格式场景，可在CARLA等模拟器中跨平台重用，用于SUT评估。
• 通过仅用最少采样点实现精确的轨迹采样，减少基于场景测试中的参数空间爆炸问题。
• 构建一个可扩展的自动化流水线，从真实世界数据中生成逼真、多样且关键的场景。

提出的方法

• 使用分割与聚类方法从点云数据中重建道路网络，以识别车道和道路边界。
• 利用目标追踪数据监控车辆相对于重建道路网络的位置和运动状态。
• 通过分析自车与周围车辆之间的横向位置变化和相对速度，检测车道变更事件。
• 以OpenX格式表示提取的场景和道路网络，实现与CARLA等仿真工具的互操作性。
• 使用可配置参数m对速度和距离轨迹进行采样，以在仿真中重现逼真的运动轨迹。
• 在OpenSCENARIO文件中集成外部控制器，以实现在仿真环境中对SUT的评估。

实验结果

研究问题

• RQ1 如何在无需人工标注的情况下，从真实世界的激光雷达和追踪数据中自动提取车道变更场景？
• RQ2 在仿真场景中对速度和距离值进行采样时，可实现多高的轨迹保真度？
• RQ3 与人工标注的真实情况相比，该框架在识别切入和切出场景方面的准确性如何？
• RQ4 OpenX输出在不同仿真平台间的可重用程度如何？
• RQ5 采样频率（参数m）对生成场景的真实感和相似性有何影响？

主要发现

• 该框架成功提取了全部12个手动识别的切入场景，仅因两起车辆从路口驶入自车所在车道而产生两个误报。
• 所有六个手动识别的切出场景均被正确检测，切入事件的精确率和召回率均为100%。
• 当m = 10时，仿真轨迹在空间分布和速度分布上与真实轨迹高度吻合，视觉对比结果表明其保真度良好。
• 当m减少至5时，轨迹和速度分布出现明显偏差，表明至少需要五个采样点才能保证可接受的真实感。
• OpenX输出与CARLA兼容，并支持外部控制器，可直接在仿真环境中实现SUT评估。
• 该框架可轻松扩展至其他数据集，尤其在数据回放模块中仅需极少修改。