Apr, 2020

自动驾驶车辆在变道情境中的对抗性评估

PDF
TL;DR本文提出的自适应评估框架可以通过深度强化学习生成对自动驾驶车辆具有挑战性的敌对环境，应用了集合模型来表示不同本地最优解以及非参数贝叶斯方法来对敌对策略进行聚类，验证表明所生成的敌对环境可以明显降低被测试车辆的性能，通过此方法可以推断所测试车辆的缺陷。
autonomous vehiclesevaluationdeep reinforcement learningnonparametric bayesian methodadversarial scenarios
发现论文，激发创造
  • 对自动驾驶计划器抗拒恶意攻击的鲁棒性评估

    通过概率信任模型评估自动驾驶规划程序的鲁棒性，力求帮助研究人员评估机器学习规划器对抗攻击的保护措施。提议评估过程基于敌对性评估，即难度估计对手决定有效诱导不安全行为的条件，展示了该方法在基于基于摄像头的物体检测器的规划保护中的应用。

    May, 2022

  • 应用人类风险认知的对抗驾驶行为生成：自动驾驶车辆评估

    使用深度强化学习和累积前景理论，生成对抗性行为的新框架来检测自动驾驶汽车的风险弱点。通过在高保真硬件测试平台上进行案例研究，结果证明对抗行为能揭示被测试自动驾驶汽车的弱点。

    Sep, 2023

  • 基于仿真的带机器学习组件的自动驾驶车辆对抗测试生成

    本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

    Apr, 2018

  • 自动驾驶汽车演进测试场景生成方法和智能评估框架

    该研究旨在利用深度强化学习来创建人类行为类似的背景车辆，从而评估自动驾驶汽车的智能表现，并提出了一个包括安全、驾驶效率和交互效用的框架，用于评价和量化三个系统的智能绩效。

    Jun, 2023

  • 自动驾驶系统的动态对抗攻击

    通过在另一辆移动车辆上动态显示对抗性修补程序的屏幕，该研究介绍了一种攻击机制，旨在挑战自动驾驶系统的韧性。这种操纵对决策制定过程的方法对于交叉路口和变道等关键的多车辆交互非常重要，这对安全和高效的自动驾驶系统具有重大影响。

    Dec, 2023

  • 基于密集强化学习的自动驾驶车辆适应性测试环境生成

    通过融合多个替代模型并优化其组合系数以增强评估效率，我们开发了一种自适应测试环境，通过采用二次规划将优化问题表达为回归任务，并利用强化学习方法高效获取回归目标，实现了加速评估的效果验证。

    Feb, 2024

  • 基于场景的自动驾驶预测模型评估

    本文研究了自动驾驶车辆的安全性评估中的预测模型。作者指出，常用的评估方法不足以准确地评估预测模型，应该采用场景评估方法进行评估。通过 Waymo 开放运动数据集的轨迹分类，作者评估了三种不同的预测模型。结果表明，应根据模型所用于的应用程序的要求进行评估。

    Oct, 2022

  • 高速公路自动驾驶车辆的自适应应激测试新框架

    我们提出了一个基于自适应压力测试方法的新框架，用于系统地探索可能导致安全问题的角落案例，以提高自动驾驶汽车的安全性和可靠性。

    Feb, 2024

  • 通过对抗强化学习提高自动驾驶车辆控制的稳健性和安全性

    该研究比较了 Robust Adversarial Reinforcement Learning 和 Neural Fictitious Self Play 算法在自动驾驶场景下的性能表现，将学习问题定义为自主系统与环境干扰之间的两人博弈，扩展为半竞争的情况，结果表明对手更好地捕捉了有意义的干扰，从而产生了更好的驾驶效率和减少了与传统强化学习方法相比的碰撞率。

    Mar, 2019

  • 自主车辆的自适应应力测试

    本文提出了一种测试自动驾驶汽车决策制定系统的方法，该方法使用强化学习算法找到最可能发生故障的场景，通过模拟车辆接近人行横道的情况证明了该方法的通用性。

    Feb, 2019