[论文解读] Rationale-aware Autonomous Driving Policy utilizing Safety Force Field implemented on CARLA Simulator

Ho Suk, Taewoo Kim+4 more|arXiv (Cornell University)|Nov 18, 2022

Autonomous Vehicle Technology and Safety被引用 4

一句话总结

本文提出了一种基于自研安全力场（SFF）模型的、与CARLA模拟器集成的、具有理由感知能力的自动驾驶策略，实现了在不同交通条件下的类人、一致驾驶。通过训练深度神经网络以预测车辆的‘ claimed set’（声称集合）并计算安全势能，该方法在安全性与效率方面优于CARLA自动驾驶系统和基于RSS的系统，在高攻击性交通条件下实现了每秒1.40次到达和2,495个无事故时间步。

ABSTRACT

Despite the rapid improvement of autonomous driving technology in recent years, automotive manufacturers must resolve liability issues to commercialize autonomous passenger car of SAE J3016 Level 3 or higher. To cope with the product liability law, manufacturers develop autonomous driving systems in compliance with international standards for safety such as ISO 26262 and ISO 21448. Concerning the safety of the intended functionality (SOTIF) requirement in ISO 26262, the driving policy recommends providing an explicit rational basis for maneuver decisions. In this case, mathematical models such as Safety Force Field (SFF) and Responsibility-Sensitive Safety (RSS) which have interpretability on decision, may be suitable. In this work, we implement SFF from scratch to substitute the undisclosed NVIDIA's source code and integrate it with CARLA open-source simulator. Using SFF and CARLA, we present a predictor for claimed sets of vehicles, and based on the predictor, propose an integrated driving policy that consistently operates regardless of safety conditions it encounters while passing through dynamic traffic. The policy does not have a separate plan for each condition, but using safety potential, it aims human-like driving blended in with traffic flow.

研究动机与目标

• 通过实施数学上严谨且可解释的安全模型，解决SAE L3+级自动驾驶车辆在责任归属与安全合规方面的挑战。
• 通过创建与CARLA兼容的完全开源SFF实现，克服现有SFF实现闭源且平台特定的局限性。
• 开发一种集成驾驶策略，可在安全与非安全交通条件下保持一致行为，无需依赖独立的‘紧急按钮’安全模块。
• 确保策略在保障安全的同时维持交通流的平滑性，符合ISO 21448 SOTIF要求。
• 通过与CARLA自动驾驶系统及基于RSS的系统在不同交通攻击性水平下的对比实验，验证所提方法的有效性。

提出的方法

• 从零开始实现安全力场（SFF）模型，以确保完全透明性，并与CARLA等开源框架兼容。
• 训练深度神经网络以基于车辆状态与轨迹预测每辆车的‘claimed set’（声称集合）——即安全计算中的影响区域。
• 利用声称集合计算安全势能，实时确定本车的安全水平，从而支持动态决策。
• 将安全势能整合进统一驾驶策略中，取代独立的安全/非安全模式逻辑，确保行为一致性。
• 将安全势能作为规划子系统的内核组件，实现平滑、类人的操作，避免突兀干预。
• 通过在CARLA中进行受控实验验证系统性能，设置四种不同随机车辆攻击性等级，测量到达率与无事故时间步数。

实验结果

研究问题

• RQ1 自研开源SFF模型是否能在安全性和效率方面达到甚至超越现有闭源SFF与基于RSS的系统？
• RQ2 将SFF集成至核心规划策略中（而非作为独立的覆盖机制）是否能带来更平滑、更类人的驾驶行为？
• RQ3 通过学习得到的声称集合预测器是否能实现实时、准确的安全势能计算，而无需依赖专有实现？
• RQ4 在交通攻击性增强的情况下，所提策略在安全性与效率方面的表现如何？
• RQ5 该集成策略在动态条件下多大程度上维持了交通流的顺畅性，同时确保符合SOTIF要求？

主要发现

• 在高攻击性条件下，所提SFF驱动策略实现了每秒1.40次到达与2,495个无事故时间步，优于CARLA自动驾驶系统（0.52次到达，1,332个时间步）与RSS-CARLA（1.00次到达，1,886个时间步）。
• 该方法在所有攻击性等级下均表现出一致性能，无需为安全与非安全条件分别设计安全逻辑，展现出强鲁棒性。
• 声称集合预测器成功推断出车辆的影响区域，支持了准确的安全势能计算与实时决策。
• 与传统SFF覆盖架构相比，集成策略减少了突兀干预，实现了更平滑的交通流与类人行为。
• SFF实现的功能等价于专有模型，经验证与RSS性能相当，且在关键指标上表现更优。
• 该方法通过提供数学上可解释、可理解的安全理由，满足了ISO 21448 SOTIF要求。