自动驾驶的安全-紧要场景生成方法综述-绵羊汽车生活记录

该文是2022年2月7日正在arXiv上传的论文“A Survey on Safety-Critical Scenario Generation for Autonomous Driving – A Methodological Perspective“，作家来

该文是2022年2月7日正在arXiv上传的论文“A Survey on Safety-Critical Scenario Generation for Auto

nomous Driving – A Methodological Perspective“，作家来自CMU。

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

因为感知和决定技艺的进取，自愿驾驶体例正在过去几年中获得了长足的生长。正在实际天下中自愿驾驶大范畴安置的一个环节波折是和平评估。大无数现有的驾驶体例依旧是采用常日占绝大无数的自然场景或诱导式天生的顽抗场景实行熬炼和评估。然而，大方汽车需求极低的碰撞率，这剖明正在实际天下中网罗的和平-紧要场景很是少睹。以是，人工天生场景的法子对料理危急和低落本钱来说至合苛重。

本篇综述合键合怀和平-紧要场景天生算法。开始对现有算法实行一共分类，即数据驱动天生、顽抗天生和基于常识的天生。然后，著作辩论场景天生的有效器材，席卷仿真平台和软件包。最终，辩论扩展到目前作事的五大寻事——切确性、出力、众样性、可迁徙性、可控性，以及这些寻事带来的讨论时机。

如图是自愿驾驶汽车评判的概览：（a）实际天下中爆发的大无数场景都是榜样场景，和平-紧要场景很是少睹。（b）自愿驾驶汽车的均匀和平性应当比人类驾驶员高，但差异阻挡易评估和衡量。（c）分歧和平-紧要场景天生法子之间对照。大无数现有法子不行同时知足切确性和和平-紧要评估目标。

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

驾驶场景界说为三个调集的组合，x∈ X={S，D，B}。S表现静态情况，席卷道途样式、交通标识和其他静态倾向。D表现动态倾向的初始条目和属性。B表现动态倾向的序列动作。

平凡有众种挑选来表现场景，取决于要评估的体例。假设倾向体例是一个感知模块，要采用高维传感数据，如图像和激光雷达点云，而直接天生高保真观测数据很是贫窭。另一种法子是运用辉煌投射算法的陪衬引擎（例如differential renderer）和激光雷达模仿器天生高维数据。假设思评估一个运动筹备或节制体例，能够转向低维，例如用动态倾向的轨迹或战术模子。轨迹表现不如行使战术模子生动，但轨迹表现的场景更可控。

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

这个优化题目阻挡易治理，合键有两个方面：第一个是分散pθ（x）的表现，第二个是胸怀f（x）的挑选。

要天生和平-紧要场景，最苛重的要素是场景的危急。危急程度合键通过场景中自愿驾驶车辆与倾向之间的互相影响来响应，用隔绝来自然描绘——隔绝小意味着碰撞危急高。这种直觉也能够转化为其他目标，如撞击时期（TTC）：

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

如图是三种和平-紧要场景天生法子的阐述。（a）数据驱动法子仅用网罗的数据直接或通过天生模子实行采样。（b）顽抗性法子行使来自仿真安置中的自愿车辆反应。（c）基于常识的法子合键运用来自外部常识的音讯举动天生的桎梏或向导。

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

数据驱动法子合键分为两片面：第一片面直接从数据集x∼ D中采样，复制实际天下的数据，这平凡会遭遇罕睹题目；第二片面是行使密度测度模子（比方深度天生模子）pθ（x）来研习场景分散，天生未睹过的场景；平凡这些模子的研习倾向是最大化对数似然

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

一种直观的天生法子是直接从网罗的数据聚合采样，该数据集从道途测试数据中复制场景。凭据采样前和采样中行使的分歧技艺，分为以下三组：数据重放、聚类和随机扰动。

而密度测度法，切磋随分散的驾驶场景，用网罗到的数据研习密度模子来近似这种分散。凭据行使的密度模子，这类算法又分为三类：贝叶斯收集、深度研习模子和深度天生模子。

顽抗天生法由两个组件构成，一个是天生器，另一个是仙游者模子，即自愿驾驶车（AV）。然后，这个倾向天生历程能够表述为

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

顽抗天生法合键聚合正在特定的小场景集，因此通过加添分散H（x）的桎梏或熵来切磋众样性。因为切磋自愿驾驶车的影响，这品种型也被称为车正在环（VIL）测试。因为自愿驾驶体例由众个模块构成，凭据仙游者模子类划分这些顽抗天生法子。当模子用于单帧输入时，比方倾向检测和割据，只需求天生静态场景。当仙游者模子需求一个持续测试用例时，就天生包罗全体倾向运动的动态场景。

作为事的倾向是评估筹备和节制模块时，场景需若是动态的和持续的。对待这类算法，凭据场景的生动性将目前的作事进一步分为两类：

第一种是节制场景的初始条目（比方，初始速率和触发地位）或正在先河时供应一切轨迹。其甜头是搜寻空间维数低，所需盘算资源少。

第二种是行使战术模子序贯节制动态倾向，个中倾向的动作受自愿驾驶车（AV）的影响。这品种型平凡被描绘为加强研习（RL）题目，个中AV属于情况，天生器是能够节制的智体。

基于常识的法子是，切磋将外部范畴常识纳入天生历程。开始探求基于条例的法子，人工安排场景的构造和参数。基于研习的法子，行使精确的常识来向导天生。假设能够从专家那里取得特定的范畴常识K，那么能够用

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

ntainer css-ym3v7r

ntainer css-xi606m style=text-align: center;

x03z

nWrap css-1baulvz

CARLA Scenario Runner：为CARLA供应交通场景界说和践诺引擎。场景能够通过Python界面界说，该界面承诺用户轻松描绘繁复且同步的机动，涉及车辆、行人和其他交通参加者等众个实体。它还援救OpenSCENARIO圭表文献式样用于场景描绘，使其可能简陋高效地归并开源社区的各式现有交通场景。

DI Drive Casezoo：由一组场景构成，用于正在模仿器中熬炼和评估驾驶战术。与CARLA Scenario Runner相仿，DI Drive Casezoo有一个途径场景和众个简单场景，可沿途径触发。途径场景正在XML文献界说，并带有相应的场景。沿途径的触发地位正在JSON文献中界说。Python文献中界说了一个场景，描绘了交通参加者的动作。正在官方代码库中，有18种途径品种型的简单场景，可凭据途径界说触发。

SUMO NETEDIT：是一个图形场景编辑器，可用于重新创筑交通收集，并篡改现有收集的全体方面，席卷根基收集元素（途口、边沿和车道）、高级收集元素（如交通灯）和附加根柢步骤（如公交车站）。该器材是特意为SUMO安排的，SUMO合键天生大范畴交通景遇，而不实行高保真陪衬。

SMARTS Scenario Studio：是SMARTS平台中的一个场景安排器材，援救生动且富饶发挥力的场景标准。场景界说用Domain Specific Language（DSL）编写，该说话描绘交通情况，如交通器材、途径和智体使命。Scenario Studio还援救SUMO NETEDIT的设备文献。通过NETEDIT编辑的舆图能够很容易地包罗正在Scenario Studio中并正在个中复用，丰饶了SMARTS平台中的熬炼和测试情况。

CommonRoad：是一个模仿器和一个开源器材箱，用于熬炼和评估基于加强研习（RL）的自愿车辆运动筹备器。场景设备用XML文献编写。用户能够行使CommonRoad供应的Python API来阅读、篡改、可视化和存储自身的交通场景。另外，CommonRoad还援救更众场景标准，如Lanelet2和OpenSCENARIO。

ntainer css-xi606m style=text-align: center;