[论文解读] 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 4

一句话总结

STRIVE 通过在基于图的条件变分自编码器（VAE）的潜在空间中优化轨迹，生成逼真且具有挑战性的易发生事故的驾驶场景。它通过学习到的交通先验确保场景的合理性，利用解优化识别出有用的场景，并通过生成多样化、可解的碰撞案例来提升规划器性能——在两个规划器上通过成功调整超参数得到验证。

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.

研究动机与目标

• 为解决自动驾驶（AV）开发中罕见高风险驾驶场景的数据稀缺问题。
• 在不依赖人工场景设计的前提下，生成逼真且具有挑战性的、导致目标规划器失败的场景。
• 确保生成的场景不仅具有碰撞诱导性，还能被理想化规划器解决，从而使其对提升真实规划器具有实际价值。
• 基于碰撞类型对场景进行分析与聚类，以识别规划器的弱点。
• 通过使用生成的场景对规则化规划器的超参数进行调优，实现闭环优化。

提出的方法

• STRIVE 使用基于图的条件变分自编码器（VAE）从真实世界数据中学习真实交通运动的先验分布。
• 将场景生成建模为交通模型潜在空间中的对抗性优化，通过扰动真实场景来诱导目标规划器发生碰撞。
• 该方法联合优化场景中所有智能体的行为，而非预先选择对手，从而实现多样化且合理的交互。
• 使用可微分的规划器代理，即使在规划器本身不可微的情况下，也能实现基于梯度的优化。
• 应用二次解优化以验证场景是否可被理想化规划器安全导航，从而过滤掉退化场景。
• 基于几何和时间特性对场景按碰撞类型进行聚类，以分析规划器的失效模式。

实验结果

研究问题

• RQ1 能否利用学习到的交通运动先验，在无需人工场景设计的情况下生成逼真且具有挑战性的易发生事故的场景？
• RQ2 如何在交通模型的潜在空间中进行对抗性优化，以生成多样化且合理的碰撞场景？
• RQ3 解优化能否检测并过滤掉根本上不可解的场景，从而仅保留有用的场景？
• RQ4 生成的场景能否用于识别规则化规划器的设计缺陷并优化其超参数？
• RQ5 生成的场景中会涌现出哪些类型的碰撞模式？这些模式如何揭示规划器的脆弱性？

主要发现

• STRIVE 为两个不同的自动驾驶规划器成功生成了逼真且多样的碰撞场景，包括一种新型规则化规划器。
• 解优化有效过滤了退化场景：在无解场景中，仅 11.8% 的超参数设置成功；而在有解场景中，成功率为 29.8%。
• 生成的场景揭示了二级碰撞行为，例如对手通过诱导规划器产生不安全反应，引发连锁碰撞。
• 该方法成功识别出规则化规划器的根本设计局限，并通过生成场景实现了有效的超参数调优。
• 失败案例包括存在不现实解的场景（如通过未来感知操作避免碰撞）以及极端行为（如驶入不可行驶区域），这些均可被检测并移除。
• 该方法展示了使用多类别交通模型生成涉及行人和自行车的对抗性场景的可行性验证。