Sep, 2022

自主驾驶中基于动作序列的关键情景探索

PDF
TL;DR该论文提出了一种基于强化学习和 ECSAS 框架的描述语言 BTScenario 的关键操作参数搜索方法，以提高危急情景生成的效率，并在多种复杂情景中证明了其优越性。
critical scenario generationparameter spaceaction sequencesecsas frameworkreinforcement learning
发现论文，激发创造
  • 基于强化学习的编辑技术生成安全关键场景

    本文提出一种基于深度强化学习的生成安全关键场景的方法，通过基于生成模型的可信度目标和基于风险目标的奖励函数，成功地生成了高质量的安全关键场景。

    Jun, 2023

  • 学会碰撞：一种自适应的安全关键场景生成方法

    本文提出了一种基于自动生成的安全关键场景进行自动驾驶算法测试的基于生成模型的架构，并进行了针对几个不同场景的实验以证明其效率优于网格搜索或人工设计方法，并且适应性强。

    Mar, 2020

  • 自动驾驶车辆安全测试场景的生成和特征描述

    使用现代化驾驶模拟器，提出检测和生成测试方案的有效机制，通过量化方案复杂度的度量标准来定义基于避免事故的复杂度度量标准，并对未来的自动驾驶车辆进行改进提供了洞见。

    Mar, 2021

  • AdvSim: 为自动驾驶车辆生成关键安全场景

    本文介绍了 AdvSim，这是一个对任何基于 LiDAR 的自主系统生成安全关键场景的对抗性框架，通过直接从传感器数据模拟获取针对全自主栈的安全关键场景。

    Jan, 2021

  • 使用领域专家的关键状态进行自适应故障搜索

    应用数据驱动方法学习可用于指导 AST 中的故障搜索的分类器，该方法结合了重要状态，增加了一个自主驾驶策略中的安全违规案例。

    Apr, 2023

  • 基于因果关系的驾驶场景转移到未知交叉口

    通过利用贝叶斯网络分析各个参数的关系，本文提出了一种系统的方法来降低对数据的需求量，并在未观测到的交叉口生成真实的场景，以此评估自动驾驶功能的场景测试。

    Apr, 2024

  • 自动化生成用于自动驾驶系统系统级仿真验证的场景

    基于 CARLA 和 ScenarioRunner 的系统级仿真验证验证框架的实例化研究，以及其在自动驾驶系统的自动生成场景方面的有效性研究。

    Nov, 2023

  • 自动驾驶危急情况解释中的因果关系理解

    为确保自动驾驶系统的安全运行，该研究引入了因果查询的正式化，建立了抽象的安全原则，从而降低与关键影响因素相关的临界性，并对数据采集、模型质量等方面做出了贡献。

    Oct, 2022

  • 神经桥抽样用于评估安全关键自主系统

    本文提出了一种基于概率方法的安全性评估模拟方法，能够快速地对危险事件进行探测和评估，并证明了方法在统计和计算效率方面的优越性，最后在多种场景下进行了测试，证明了该方法对于开发和测试安全关键自主系统的敏感性分析和模型比较的重要性。

    Aug, 2020

  • 通过语言模型整合和关键场景生成增强自主车辆训练

    本论文介绍了一种名为 CRITICAL 的新型闭环自主车辆训练和测试框架，通过集成真实世界的交通动态、驾驶行为分析、替代性安全措施和一个可选的大型语言模型（LLM）组件，该框架能够生成各种各样的场景，重点关注强化学习（RL）代理在关键驾驶情况下的学习和性能差距。据证明，在数据生成与训练过程之间建立闭环反馈可以提高训练的学习速率，提升系统整体性能，增强安全弹性。我们的评估使用了近端策略优化（PPO）和 HighwayEnv 模拟环境进行，证明了关键案例生成和 LLM 分析的集成可以显著提高性能，表明 CRITICAL 有潜力提高自主车辆系统的鲁棒性，简化关键场景的生成，从而加快自主车辆代理的开发，扩展强化学习训练的范围，并改善自主车辆安全的验证工作。

    Apr, 2024