AuthSim: Towards Authentic and Effective Safety-critical Scenario Generation for Autonomous Driving Tests

作者: Yukuan Yang, Xucheng Lu, Zhili Zhang, Zepeng Wu, Guoqi Li, Lingzhong Meng, Yunzhi Xue

发布时间: 2025-03-03

来源: arxiv

研究方向: 自动驾驶安全测试与模拟

主要内容

该研究旨在通过模拟生成自动驾驶汽车的安全关键场景，以测试和验证自动驾驶系统的安全性和可靠性。研究提出了一种名为AuthSim的模拟平台，该平台结合了三层相对安全区域模型和强化学习，以生成更真实和有效的安全关键场景。

1. 提出了一种新的场景关键性评估方法，通过实时三层相对安全区域模型确保对抗性场景的真实性和自然性。

2. 开发了一个名为AuthSim的综合平台，通过结合三层相对安全区域模型和强化学习，实现真实和有效的安全关键场景生成。

3. 通过实验验证了AuthSim框架在生成有效安全关键场景方面的效率和真实性，显著优于现有方法。

1. 三层相对安全区域模型：根据危险等级将区域划分为相对危险区域、相对边界区域和相对安全区域，指导NPC车辆在相对安全的边界区域内进行对抗性动作。

2. 强化学习：将三层相对安全区域模型作为奖励函数，训练NPC车辆的策略，使其在与 ego 车辆交互时表现出更合理和理性的行为。

3. 实验评估：在Highway-env模拟器上进行了大量实验，与NADE、TTC、TTB和DRAC等方法进行了比较，验证了AuthSim的有效性和效率。

实验结果表明，AuthSim在生成有效安全关键场景方面具有显著优势。与现有方法相比，AuthSim实现了平均切入距离提高5.25%，平均碰撞间隔时间提高27.12%，同时保持了更高的效率。

未来将致力于进一步提高自动驾驶对抗性场景的复杂性和优化效率，以加速自动驾驶技术的应用。