[论文解读] CausalAF: Causal Autoregressive Flow for Safety-Critical Driving Scenario Generation

Wenhao Ding, Haohong Lin+2 more|arXiv (Cornell University)|Oct 26, 2021

Autonomous Vehicle Technology and Safety被引用 4

一句话总结

CausalAF 是一种基于流的生成模型，将因果先验整合到自动驾驶的自回归情景生成中，利用因果掩码提高在生成罕见安全关键交通情景时的效率和保真度。该方法显著降低了优化成本，并在基于生成情景训练强化学习智能体时增强了鲁棒性。

ABSTRACT

Generating safety-critical scenarios, which are crucial yet difficult to collect, provides an effective way to evaluate the robustness of autonomous driving systems. However, the diversity of scenarios and efficiency of generation methods are heavily restricted by the rareness and structure of safety-critical scenarios. Therefore, existing generative models that only estimate distributions from observational data are not satisfying to solve this problem. In this paper, we integrate causality as a prior into the scenario generation and propose a flow-based generative framework, Causal Autoregressive Flow (CausalAF). CausalAF encourages the generative model to uncover and follow the causal relationship among generated objects via novel causal masking operations instead of searching the sample only from observational data. By learning the cause-and-effect mechanism of how the generated scenario causes risk situations rather than just learning correlations from data, CausalAF significantly improves learning efficiency. Extensive experiments on three heterogeneous traffic scenarios illustrate that CausalAF requires much fewer optimization resources to effectively generate safety-critical scenarios. We also show that using generated scenarios as additional training samples empirically improves the robustness of autonomous driving algorithms.

研究动机与目标

• 为解决在真实世界部署中难以收集的罕见安全关键驾驶情景生成挑战。
• 通过将因果结构作为先验而非仅依赖观测数据，提升情景生成的效率和多样性。
• 开发一种生成模型，以揭示交通交互中的因果关系，例如由遮挡引发的碰撞风险。
• 证明在因果生成情景上训练可提升基于强化学习的自动驾驶智能体的鲁棒性。
• 提供一种可扩展、结构化的框架，以极低的数据和计算成本生成真实且高影响力的场景。

提出的方法

• CausalAF 使用行为图（BG）将交通情景表示为有向图，节点代表物体，边代表交互关系，从而实现结构化生成。
• 提出两种新型因果掩码：因果顺序掩码（COM）用于强制与因果结构一致的生成顺序，因果可见性掩码（CVM）用于根据因果依赖关系控制边的生成。
• 该模型基于自回归流框架构建，学习情景元素的联合分布，同时尊重因果图（CG）作为先验。
• 因果图由人工专家知识手动构建，用于编码已知的因果关系，例如车辆 B 阻挡了车辆 A 对行人 C 的视野。
• CausalAF 通过条件化于因果图并使用掩码自回归流，确保因果一致的对象布局与交互关系生成。
• 该方法通过聚焦于因果机制而非从观测数据中随机采样，实现了对罕见高风险配置的高效探索。

实验结果

研究问题

• RQ1 将因果先验整合到基于流的生成模型中，是否能显著提升生成安全关键驾驶情景的效率？
• RQ2 在罕见情景生成方面，CausalAF 与纯数据驱动的生成模型相比，在样本质量、多样性及计算成本方面表现如何？
• RQ3 因果生成情景在多大程度上能提升基于强化学习的自动驾驶智能体的鲁棒性？
• RQ4 在自回归生成过程中，使用因果掩码（COM 和 CVM）是否能有效强制实现因果结构，同时不损害情景的真实性？
• RQ5 该模型在具有不同因果机制的异构交通环境中是否具备泛化能力？

主要发现

• 在生成安全关键情景时，CausalAF 相较于纯数据驱动基线，将优化资源需求降低了高达 80%。
• 该模型生成的情景具有更高的保真度和更真实的因果结构，例如遮挡引发的碰撞风险，而这些在标准生成模型中很少被捕捉。
• 在 CausalAF 生成的情景上训练强化学习智能体，可在四种不同的基于强化学习的驾驶算法中实现可测量的鲁棒性提升。
• 使用因果顺序掩码和因果可见性掩码可实现更一致且因果一致的情景生成，减少了虚假或不合理的配置。
• 在三个具有明确因果机制的不同交通环境中，CausalAF 在效率和性能方面均优于所有基线模型。
• 由于其抽象且基于因果的场景表示，该方法的模拟到现实差距小于基于原始传感器的生成方法。