論文 “Rationale-aware Autonomous Driving Policy utilizing Safety Force Field implemented on CARLA Simulator“，來自韓國延世大學(xué)。

安全模型，英偉達(dá)的安全力場（SFF）和Mobileye的責(zé)任敏感安全（RSS）等對決策來說是有可解釋性的數(shù)學(xué)模型。這項(xiàng)工作從頭開始實(shí)現(xiàn)SFF，替代未公開的英偉達(dá)源代碼，并將其與CARLA開源模擬器集成。使用SFF和CARLA，提出了一個車輛聲明集合的預(yù)測器，并以此提出一種綜合駕駛策略，無論在通過動態(tài)交通時(shí)遇到什么安全條件，其都能持續(xù)運(yùn)行。該策略沒有針對每種情況制定單獨(dú)的規(guī)劃，但利用安全潛能，目的是將類人的駕駛?cè)谌虢煌髦小?

責(zé)任敏感安全（RSS）將自車的危險(xiǎn)時(shí)間t與縱向/橫向的危險(xiǎn)閾值時(shí)間tlong/tlat進(jìn)行比較。如果達(dá)到閾值，RSS判斷為危險(xiǎn)情況，并根據(jù)縱向或橫向加速度對速度的限制做出適當(dāng)?shù)捻憫?yīng)。換句話說，閾值可以用軌跡集的多邊形表示。如果自車和其他道路使用者之間的軌跡集相交，RSS會選擇以下三個決策中的一個來恢復(fù)安全狀態(tài)：剎車，繼續(xù)前進(jìn)或開車離開。

安全力場（SFF）表示，如果參與者遵循安全程序（這是一系列控制策略），量化風(fēng)險(xiǎn)的安全潛能ρAB不會再增加，因此可以保證參與者最終不會造成不安全的情況。這可以通過安全潛能的鏈?zhǔn)椒▌t從數(shù)學(xué)上證明。簡而言之，RSS的方法是最小化參與者聲稱集合之間的交集，這是每個參與者安全程序產(chǎn)生軌跡的聯(lián)合。

英特爾發(fā)布了一個名為ad-rss-lib的開源庫，該庫部分實(shí)現(xiàn)了RSS。此外，NVIDIA還提供了一個名為DriveWorks SDK的軟件開發(fā)工具包，其中包括針對經(jīng)批準(zhǔn)用戶的SFF實(shí)現(xiàn)。Intel ad-rss-lib沒有涵蓋其論文的全部范圍，但它提供了Python綁定和CARLA集成。然而，NVIDIA DriveWorks SDK是一個非公開IP，它的實(shí)現(xiàn)是為了與配備NVIDIA DRIVE OS的NVIDIA DRIVE平臺集成，因此研究人員很少使用它。在Intel和NVIDIA建議的將RSS和SFF與現(xiàn)有自動駕駛系統(tǒng)集成的基本示例架構(gòu)中，RSS和SFF扮演著最后的角色，通過重寫規(guī)劃子系統(tǒng)的決策來防止自動駕駛車輛發(fā)生碰撞。

在SFF實(shí)施中使用聲明集合和安全潛能的概念，聲明集合就是安全程序（駕駛策略）獲取的軌跡之聯(lián)合，安全潛能是兩個參與者的聲明集合之間相交測度及其負(fù)梯度。該文提出了一種將SFF集成到規(guī)劃子系統(tǒng)中的方法，制定一種類似人類的駕駛策略，無論在安全或不安全的條件下都能始終如一地運(yùn)行，最終盡量不阻礙順暢的交通流。

Intel RSS或NVIDIA SFF作為與現(xiàn)有子系統(tǒng)協(xié)調(diào)的附加模塊。它接收來自感知子系統(tǒng)的世界環(huán)境數(shù)據(jù)和來自規(guī)劃子系統(tǒng)的機(jī)動決策。為了自車的安全，作為上層限制器，它可以推翻接收的決策，并將限制的決策傳遞給駕駛子系統(tǒng)。如圖是具有RSS或SFF安全模型的基本示例架構(gòu)：灰色是現(xiàn)有子系統(tǒng)部分，藍(lán)色/綠色是附加模塊的RSS/SFF實(shí)現(xiàn)部分。

計(jì)算安全潛能是SFF的核心，但安全潛能是從聲明集合中得出的，而聲明集合是從安全程序中得出的。因此，按照英偉達(dá)的意圖，駕駛策略應(yīng)該首先由開發(fā)商以自己的方式設(shè)計(jì)。只有在駕駛策略完全實(shí)施后，SFF才能應(yīng)用于自動駕駛系統(tǒng)。在這種情況下，要應(yīng)用SFF，實(shí)施駕駛策略是首要任務(wù)。

相反，在不同的背景下，這里試圖利用SFF的安全潛能實(shí)施駕駛策略。然而，為了獲得計(jì)算安全潛能所需的聲明集合，陷入了一個矛盾，即安全程序必須已經(jīng)實(shí)施。為了消除從安全程序推導(dǎo)的需要，這里提出一種學(xué)習(xí)聲明集合的預(yù)測器方法。利用CARLA模擬器提供車輛狀態(tài)的真值，通過監(jiān)督學(xué)習(xí)方法訓(xùn)練預(yù)測網(wǎng)絡(luò)。該預(yù)測器用車輛的狀態(tài)向量和BEV圖像作為輸入，并輸出所有車輛的2D動作：構(gòu)成聲明集合的x軸加速度和y軸加速度。用光滑函數(shù)（如mollifier）覆蓋該聲明集合，可使聲明集合可微，從而計(jì)算兩個參與者聲明集合之間的相交區(qū)域來獲得安全潛能。這樣，在沒有現(xiàn)有實(shí)施的安全程序的情況下，可以獲得每個參與者車輛的聲明集合和安全潛能。

該系統(tǒng)如圖所示：SFF嵌入CARLA組成的仿真回路；SFF集成聲明集合的預(yù)測網(wǎng)絡(luò)，實(shí)現(xiàn)原理-覺察的自動駕駛策略（右上角的紅色區(qū)域：其他車輛的聲明集合由訓(xùn)練的預(yù)測網(wǎng)絡(luò)進(jìn)行預(yù)測）。

在CARLA模擬中獲得所有車輛的聲明集合，并使用這些聲明集合，可以計(jì)算自車的安全潛能。為了驗(yàn)證所提出的模型是否得到了正確的實(shí)施和訓(xùn)練，用計(jì)算的安全潛能，最終可以制定一個統(tǒng)一的駕駛策略（安全程序），能夠持續(xù)運(yùn)行，無需分別處理安全條件和不安全條件的兩個單獨(dú)模塊。綜合駕駛策略最終目標(biāo)是像人一樣，而不是過于教條或被動地?zé)o法順暢地處理交通流。

為了評估SFF實(shí)施是否等同于現(xiàn)有模型，將駕駛策略與CARLA自動駕駛和CARLA上的RSS實(shí)施進(jìn)行了比較。用聲明集合預(yù)測器測試自動駕駛智體，在有其他隨機(jī)攻擊性車輛行駛的道路上駕駛。隨機(jī)攻擊意味著，根據(jù)概率超參，有時(shí)其他車輛不關(guān)心其周圍和交通信號。將隨機(jī)攻擊分為4個級別。在這個實(shí)驗(yàn)中，測試了智體在不干擾CARLA交通流的情況下如何快速安全地到達(dá)目的地。在給定的時(shí)間段內(nèi)，統(tǒng)計(jì)隨機(jī)指定目的地的到達(dá)車數(shù)和自車的無事故時(shí)間區(qū)。

如圖是聲明集合預(yù)測和CARLA模擬器相應(yīng)場景的可視化：綠點(diǎn)是自車的位置，黃點(diǎn)是其他車輛的位置，紅色區(qū)域是其他車輛的聲明集合，由經(jīng)過訓(xùn)練的預(yù)測網(wǎng)絡(luò)預(yù)測，并由mollifier平滑。

實(shí)驗(yàn)結(jié)果：