日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測(cè)試網(wǎng)

  • 公眾號(hào)

    • 汽車測(cè)試網(wǎng)

    • 在線課堂

    • 電車測(cè)試

自動(dòng)駕駛的安全-緊要場(chǎng)景生成方法綜述

2022-02-15 19:03:29·  來(lái)源：計(jì)算機(jī)視覺深度學(xué)習(xí)和自動(dòng)駕駛  作者：黃浴  
　
該文是2022年2月7日在arXiv上傳的論文“A Survey on Safety-Critical Scenario Generation for Autonomous Driving – A Methodological Perspective“，作者來(lái)
該文是2022年2月7日在arXiv上傳的論文“A Survey on Safety-Critical Scenario Generation for Autonomous Driving – A Methodological Perspective“，作者來(lái)自CMU。
由于感知和決策技術(shù)的進(jìn)步，自動(dòng)駕駛系統(tǒng)在過(guò)去幾年中得到了長(zhǎng)足的發(fā)展。在現(xiàn)實(shí)世界中自動(dòng)駕駛大規(guī)模部署的一個(gè)關(guān)鍵障礙是安全評(píng)估。大多數(shù)現(xiàn)有的駕駛系統(tǒng)仍然是采用日常占絕大多數(shù)的自然場(chǎng)景或啟發(fā)式生成的對(duì)抗場(chǎng)景進(jìn)行訓(xùn)練和評(píng)估。然而，大量汽車需要極低的碰撞率，這表明在現(xiàn)實(shí)世界中收集的安全-緊要場(chǎng)景非常少見。因此，人工生成場(chǎng)景的方法對(duì)管理風(fēng)險(xiǎn)和降低成本來(lái)說(shuō)至關(guān)重要。
本篇綜述主要關(guān)注安全-緊要場(chǎng)景生成算法。首先對(duì)現(xiàn)有算法進(jìn)行全面分類，即數(shù)據(jù)驅(qū)動(dòng)生成、對(duì)抗生成和基于知識(shí)的生成。然后，文章討論場(chǎng)景生成的有用工具，包括仿真平臺(tái)和軟件包。最后，討論擴(kuò)展到當(dāng)前工作的五大挑戰(zhàn)——準(zhǔn)確性、效率、多樣性、可遷移性、可控性，以及這些挑戰(zhàn)帶來(lái)的研究機(jī)遇。
如圖是自動(dòng)駕駛汽車評(píng)價(jià)的概覽：（a） 現(xiàn)實(shí)世界中發(fā)生的大多數(shù)場(chǎng)景都是典型場(chǎng)景，安全-緊要場(chǎng)景非常少見。（b） 自動(dòng)駕駛汽車的平均安全性應(yīng)該比人類駕駛員高，但差距不容易評(píng)估和測(cè)量。（c） 不同安全-緊要場(chǎng)景生成方法之間比較。大多數(shù)現(xiàn)有方法不能同時(shí)滿足準(zhǔn)確性和安全-緊要評(píng)估指標(biāo)。
關(guān)于安全-緊要場(chǎng)景的生成方法類別如下圖所示：
駕駛場(chǎng)景定義為三個(gè)集合的組合，x∈ X={S，D，B}。S表示靜態(tài)環(huán)境，包括道路形狀、交通標(biāo)志和其他靜態(tài)目標(biāo)。D表示動(dòng)態(tài)目標(biāo)的初始條件和屬性。B表示動(dòng)態(tài)目標(biāo)的序列行為。
通常有多種選擇來(lái)表示場(chǎng)景，取決于要評(píng)估的系統(tǒng)。如果目標(biāo)系統(tǒng)是一個(gè)感知模塊，要采用高維傳感數(shù)據(jù)，如圖像和激光雷達(dá)點(diǎn)云，而直接生成高保真觀測(cè)數(shù)據(jù)非常困難。另一種方法是利用光線投射算法的渲染引擎（比如differential renderer）和激光雷達(dá)模擬器生成高維數(shù)據(jù)。如果想評(píng)估一個(gè)運(yùn)動(dòng)規(guī)劃或控制系統(tǒng)，可以轉(zhuǎn)向低維，比如用動(dòng)態(tài)目標(biāo)的軌跡或策略模型。軌跡表示不如使用策略模型靈活，但軌跡表示的場(chǎng)景更可控。
安全-緊要場(chǎng)景的生成可以描述為：
這個(gè)優(yōu)化問(wèn)題不容易解決，主要有兩個(gè)方面：第一個(gè)是分布pθ（x）的表示，第二個(gè)是度量f（x）的選擇。
要生成安全-緊要場(chǎng)景，最重要的因素是場(chǎng)景的風(fēng)險(xiǎn)。風(fēng)險(xiǎn)水平主要通過(guò)場(chǎng)景中自動(dòng)駕駛車輛與目標(biāo)之間的相互作用來(lái)反映，用距離來(lái)自然描述——距離小意味著碰撞風(fēng)險(xiǎn)高。這種直覺也可以轉(zhuǎn)化為其他指標(biāo)，如撞擊時(shí)間（TTC）：
如圖是三種安全-緊要場(chǎng)景生成方法的說(shuō)明。（a） 數(shù)據(jù)驅(qū)動(dòng)方法僅用收集的數(shù)據(jù)直接或通過(guò)生成模型進(jìn)行采樣。（b） 對(duì)抗性方法使用來(lái)自仿真部署中的自動(dòng)車輛反饋。（c） 基于知識(shí)的方法主要利用來(lái)自外部知識(shí)的信息作為生成的約束或指導(dǎo)。

數(shù)據(jù)驅(qū)動(dòng)方法主要分為兩部分：第一部分直接從數(shù)據(jù)集x～ D中采樣，復(fù)制現(xiàn)實(shí)世界的數(shù)據(jù)，這通常會(huì)遇到罕見問(wèn)題；第二部分是使用密度估計(jì)模型（例如深度生成模型）pθ（x）來(lái)學(xué)習(xí)場(chǎng)景分布，生成未見過(guò)的場(chǎng)景；通常這些模型的學(xué)習(xí)目標(biāo)是最大化對(duì)數(shù)似然
采樣過(guò)程由來(lái)自隨機(jī)噪聲的x～ pθ（x）進(jìn)行。
一種直觀的生成方法是直接從收集的數(shù)據(jù)集中采樣，該數(shù)據(jù)集從道路測(cè)試數(shù)據(jù)中復(fù)制場(chǎng)景。根據(jù)采樣前和采樣中使用的不同技術(shù)，分為以下三組：數(shù)據(jù)重放、聚類和隨機(jī)擾動(dòng)。
而密度估計(jì)法，考慮隨分布的駕駛場(chǎng)景，用收集到的數(shù)據(jù)學(xué)習(xí)密度模型來(lái)近似這種分布。根據(jù)使用的密度模型，這類算法又分為三類：貝葉斯網(wǎng)絡(luò)、深度學(xué)習(xí)模型和深度生成模型。
對(duì)抗生成法由兩個(gè)組件組成，一個(gè)是生成器，另一個(gè)是犧牲者模型，即自動(dòng)駕駛車（AV）。然后，這個(gè)目標(biāo)生成過(guò)程可以表述為
對(duì)抗生成法主要集中在特定的小場(chǎng)景集，所以通過(guò)增加分布H（x）的約束或熵來(lái)考慮多樣性。由于考慮自動(dòng)駕駛車的影響，這種類型也被稱為車在環(huán)（VIL）測(cè)試。由于自動(dòng)駕駛系統(tǒng)由多個(gè)模塊組成，根據(jù)犧牲者模型類劃分這些對(duì)抗生成方法。當(dāng)模型用于單幀輸入時(shí)，例如目標(biāo)檢測(cè)和分割，只需要生成靜態(tài)場(chǎng)景。當(dāng)犧牲者模型需要一個(gè)連續(xù)測(cè)試用例時(shí)，就生成包含所有目標(biāo)運(yùn)動(dòng)的動(dòng)態(tài)場(chǎng)景。
當(dāng)工作的目標(biāo)是評(píng)估規(guī)劃和控制模塊時(shí)，場(chǎng)景需要是動(dòng)態(tài)的和連續(xù)的。對(duì)于這類算法，根據(jù)場(chǎng)景的靈活性將當(dāng)前的工作進(jìn)一步分為兩類：
  • 第一種是控制場(chǎng)景的初始條件（例如，初始速度和觸發(fā)位置）或在開始時(shí)提供整個(gè)軌跡。其優(yōu)點(diǎn)是搜索空間維數(shù)低，所需計(jì)算資源少。
  • 第二種是使用策略模型序貫控制動(dòng)態(tài)目標(biāo)，其中目標(biāo)的行為受自動(dòng)駕駛車（AV）的影響。這種類型通常被描述為強(qiáng)化學(xué)習(xí)（RL）問(wèn)題，其中AV屬于環(huán)境，生成器是可以控制的智體。
基于知識(shí)的方法是，考慮將外部領(lǐng)域知識(shí)納入生成過(guò)程。首先探索基于規(guī)則的方法，人工設(shè)計(jì)場(chǎng)景的結(jié)構(gòu)和參數(shù)?；趯W(xué)習(xí)的方法，使用明確的知識(shí)來(lái)指導(dǎo)生成。假設(shè)可以從專家那里獲得特定的領(lǐng)域知識(shí)K，那么可以用
其中，從條件分布pθ（x | K）中采樣場(chǎng)景。此外，可以用K作為約束來(lái)影響現(xiàn)有場(chǎng)景：
如表是場(chǎng)景數(shù)據(jù)集的比較：
下表是交通仿真平臺(tái)的比較：
另外，場(chǎng)景設(shè)計(jì)平臺(tái)有如下幾種：
  • CARLA Scenario Runner：為CARLA提供交通場(chǎng)景定義和執(zhí)行引擎。場(chǎng)景可以通過(guò)Python界面定義，該界面允許用戶輕松描述復(fù)雜且同步的機(jī)動(dòng)，涉及車輛、行人和其他交通參與者等多個(gè)實(shí)體。它還支持OpenSCENARIO標(biāo)準(zhǔn)文件格式用于場(chǎng)景描述，使其能夠簡(jiǎn)單高效地合并開源社區(qū)的各種現(xiàn)有交通場(chǎng)景。
  • DI Drive Casezoo：由一組場(chǎng)景組成，用于在模擬器中訓(xùn)練和評(píng)估駕駛策略。與CARLA Scenario Runner類似，DI Drive Casezoo有一個(gè)路線場(chǎng)景和多個(gè)單一場(chǎng)景，可沿路線觸發(fā)。路線場(chǎng)景在XML文件定義，并帶有相應(yīng)的場(chǎng)景。沿路線的觸發(fā)位置在JSON文件中定義。Python文件中定義了一個(gè)場(chǎng)景，描述了交通參與者的行為。在官方代碼庫(kù)中，有18種路線場(chǎng)景和8種類型的單一場(chǎng)景，可根據(jù)路線定義觸發(fā)。
  • SUMO NETEDIT：是一個(gè)圖形場(chǎng)景編輯器，可用于從頭創(chuàng)建交通網(wǎng)絡(luò)，并修改現(xiàn)有網(wǎng)絡(luò)的所有方面，包括基本網(wǎng)絡(luò)元素（路口、邊緣和車道）、高級(jí)網(wǎng)絡(luò)元素（如交通燈）和附加基礎(chǔ)設(shè)施（如公交車站）。該工具是專門為SUMO設(shè)計(jì)的，SUMO主要生成大規(guī)模交通狀況，而不進(jìn)行高保真渲染。
  • SMARTS Scenario Studio：是SMARTS平臺(tái)中的一個(gè)場(chǎng)景設(shè)計(jì)工具，支持靈活且富有表現(xiàn)力的場(chǎng)景規(guī)范。場(chǎng)景定義用Domain Specific Language（DSL）編寫，該語(yǔ)言描述交通環(huán)境，如交通工具、路線和智體任務(wù)。Scenario Studio還支持SUMO NETEDIT的配置文件。通過(guò)NETEDIT編輯的地圖可以很容易地包含在Scenario Studio中并在其中復(fù)用，豐富了SMARTS平臺(tái)中的訓(xùn)練和測(cè)試環(huán)境。
  • CommonRoad：是一個(gè)模擬器和一個(gè)開源工具箱，用于訓(xùn)練和評(píng)估基于強(qiáng)化學(xué)習(xí)（RL）的自動(dòng)車輛運(yùn)動(dòng)規(guī)劃器。場(chǎng)景配置用XML文件編寫。用戶可以使用CommonRoad提供的Python API來(lái)閱讀、修改、可視化和存儲(chǔ)自己的交通場(chǎng)景。此外，CommonRoad還支持更多場(chǎng)景規(guī)范，如Lanelet2和OpenSCENARIO。
這個(gè)領(lǐng)域存在5個(gè)挑戰(zhàn)，如圖根據(jù)三種生成方法比較這些挑戰(zhàn)項(xiàng)的表現(xiàn)：


  • 準(zhǔn)確性。最終目標(biāo)是開發(fā)能夠在現(xiàn)實(shí)世界中運(yùn)行的安全設(shè)備。因此，讓AV通過(guò)困難但不現(xiàn)實(shí)的場(chǎng)景是沒有用的。需要確保生成的場(chǎng)景有機(jī)會(huì)在實(shí)際交通情況下發(fā)生。
  • 效率。安全-緊要場(chǎng)景在現(xiàn)實(shí)世界中極為少見。生成需要考慮效率和增加感興趣場(chǎng)景的密度。
  • 多樣性。安全-緊要場(chǎng)景多種多樣。生成算法應(yīng)該能夠發(fā)現(xiàn)并生成盡可能多的不同安全-緊要場(chǎng)景。
  • 可遷移性。由于AV與其周圍物體之間的相互作用，場(chǎng)景是動(dòng)態(tài)的。我們?yōu)椴煌珹V生成的場(chǎng)景應(yīng)該是可變的，而不是針對(duì)一個(gè)特定AV。
  • 可控性。在大多數(shù)情況下，希望復(fù)制或重復(fù)特定的場(chǎng)景，而不是隨機(jī)場(chǎng)景。生成模型應(yīng)該能夠按照指令或條件生成相應(yīng)的場(chǎng)景。
分享到：
 
反對(duì) 0 舉報(bào) 0 收藏 0 評(píng)論 0
滬ICP備11026917號(hào)-25