HSPG: Un marco de prueba de circuito abierto para la conducción autónoma basado en la generación proactiva de...

Área de la Ciencia:

• Ciencias de la Computación
• Robótica
• Inteligencia Artificial

Sus antecedentes:

• Los sistemas de conducción autónoma enfrentan desafíos para cubrir escenarios raros y de alto riesgo en datos del mundo real.
• Los métodos actuales de generación de escenarios carecen de percepción realista y se centran en perturbaciones simples de la trayectoria.

Objetivo del estudio:

• Introducir un marco proactivo para generar escenarios de conducción peligrosos para mejorar la seguridad de la conducción autónoma.
• Abordar la escasez de datos críticos para probar vehículos autónomos en entornos complejos.

Principales métodos:

• Desarrollado el marco de Generación Proactiva de Escenarios Peligrosos (HSPG) utilizando datos de conducción naturalista.
• Utilizado un índice de riesgo de ventana deslizante y detección de vehículos de alto riesgo para identificar interacciones críticas.
• Empleada la teoría del regulador lineal cuadrático (LQR) con optimización de políticas posteriores recurrentes (RPPO) y estrategias adversarias para la generación de trayectorias.
• Integrada la síntesis de imágenes con datos de mapas del mundo real para crear escenarios de calles realistas.

Principales resultados:

• HSPG identifica eficazmente los riesgos latentes y amplifica la probabilidad de colisión en más de un orden de magnitud en los modelos de prueba.
• El marco demuestra generalización en diversos escenarios de tráfico.
• Se creó un conjunto de datos completo con 150 escenarios, 6019 muestras y vistas multiperspectiva.

Conclusiones:

• El marco HSPG proporciona un método robusto para generar datos de prueba de seguridad crítica para la conducción autónoma.
• El conjunto de datos creado sirve como un punto de referencia valioso para evaluar y mejorar la seguridad del sistema de conducción autónoma.