論文の概要: ChatScene: Knowledge-Enabled Safety-Critical Scenario Generation for Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2405.14062v1
- Date: Wed, 22 May 2024 23:21:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-24 19:34:41.568783
- Title: ChatScene: Knowledge-Enabled Safety-Critical Scenario Generation for Autonomous Vehicles
- Title（参考訳）: ChatScene: 自律走行車のための知識付き安全批判シナリオ生成
- Authors: Jiawei Zhang, Chejian Xu, Bo Li,
- Abstract要約: ChatSceneはLarge Language Model(LLM)ベースのエージェントで、自動運転車の安全クリティカルなシナリオを生成する。
エージェントの重要な部分は包括的知識検索コンポーネントであり、特定のテキスト記述を対応するドメイン固有のコードスニペットに効率的に翻訳する。
- 参考スコア（独自算出の注目度）: 17.396416459648755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present ChatScene, a Large Language Model (LLM)-based agent that leverages the capabilities of LLMs to generate safety-critical scenarios for autonomous vehicles. Given unstructured language instructions, the agent first generates textually described traffic scenarios using LLMs. These scenario descriptions are subsequently broken down into several sub-descriptions for specified details such as behaviors and locations of vehicles. The agent then distinctively transforms the textually described sub-scenarios into domain-specific languages, which then generate actual code for prediction and control in simulators, facilitating the creation of diverse and complex scenarios within the CARLA simulation environment. A key part of our agent is a comprehensive knowledge retrieval component, which efficiently translates specific textual descriptions into corresponding domain-specific code snippets by training a knowledge database containing the scenario description and code pairs. Extensive experimental results underscore the efficacy of ChatScene in improving the safety of autonomous vehicles. For instance, the scenarios generated by ChatScene show a 15% increase in collision rates compared to state-of-the-art baselines when tested against different reinforcement learning-based ego vehicles. Furthermore, we show that by using our generated safety-critical scenarios to fine-tune different RL-based autonomous driving models, they can achieve a 9% reduction in collision rates, surpassing current SOTA methods. ChatScene effectively bridges the gap between textual descriptions of traffic scenarios and practical CARLA simulations, providing a unified way to conveniently generate safety-critical scenarios for safety testing and improvement for AVs.
- Abstract（参考訳）: 我々は、LLMの能力を活用して自動運転車の安全クリティカルシナリオを生成するLarge Language Model(LLM)ベースのエージェントChatSceneを提案する。
非構造化言語命令を与えられたエージェントは、まず LLM を使用してテキストで記述されたトラフィックシナリオを生成する。
これらのシナリオ記述はその後、車両の挙動や位置といった特定の詳細に関するいくつかのサブ記述に分解される。
エージェントは、テキストで記述されたサブシナリオをドメイン固有の言語に変換し、シミュレータの予測と制御のための実際のコードを生成し、CARLAシミュレーション環境内で多様な複雑なシナリオの作成を容易にする。
シナリオ記述とコードペアを含む知識データベースをトレーニングすることにより、特定のテキスト記述を対応するドメイン固有のコードスニペットに変換する。
大規模な実験結果は、自動運転車の安全性向上におけるChatSceneの有効性を裏付けるものである。
例えば、ChatSceneが生成したシナリオでは、異なる強化学習ベースのエゴ車に対してテストした場合、最先端のベースラインと比較して15%の衝突率の増加が見られる。
さらに、我々の生成した安全クリティカルシナリオを用いて、異なるRLベース自動運転モデルに微調整を行うことで、現在のSOTA法を超越して、衝突速度を9%削減できることを示す。
ChatSceneは、交通シナリオのテキスト記述と実用的なCARLAシミュレーションのギャップを効果的に埋め、安全テストとAVの改善のために安全クリティカルなシナリオを便利に生成する統一的な方法を提供する。
関連論文リスト
- Generating Out-Of-Distribution Scenarios Using Language Models [58.47597351184034]
大規模言語モデル(LLM)は自動運転において有望であることを示している。
本稿では,多様なOF-Distribution(OOD)駆動シナリオを生成するためのフレームワークを提案する。
我々は、広範囲なシミュレーションを通じてフレームワークを評価し、新しい"OOD-ness"メトリクスを導入する。
論文 参考訳（メタデータ） (2024-11-25T16:38:17Z) - LeGEND: A Top-Down Approach to Scenario Generation of Autonomous Driving Systems Assisted by Large Language Models [9.841914333647631]
シナリオ生成のトップダウン方式を特徴とするLeGENDを提案する。
最初は抽象的な機能シナリオから始まり、その後論理的で具体的なシナリオへと下降する。
形式的に記述できる論理的シナリオとは異なり、関数的シナリオは自然言語で文書化されることが多い。
論文 参考訳（メタデータ） (2024-09-16T08:01:21Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。
RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。
このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
論文 参考訳（メタデータ） (2023-12-19T23:11:06Z) - Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。
LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。
適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
論文 参考訳（メタデータ） (2023-11-28T03:13:09Z) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳（メタデータ） (2023-10-19T02:49:31Z) - Generating and Explaining Corner Cases Using Learnt Probabilistic Lane
Graphs [5.309950889075669]
本稿では,車両が走行する車線の位置と方向の有限セットを記述するために,確率的レーングラフ(PLG)を導入する。
PLGの構造は、歴史的交通データから直接学習される。
我々は、このポリシーを変更するために強化学習技術を使用し、現実的で説明可能なコーナーケースシナリオを生成する。
論文 参考訳（メタデータ） (2023-08-25T20:17:49Z) - Tree-Based Scenario Classification: A Formal Framework for Coverage
Analysis on Test Drives of Autonomous Vehicles [0.0]
シナリオベースのテストでは、関連する(運転)シナリオがテストの基礎になります。
シナリオの集合を分類し、記録されたテストドライブにおけるこれらのシナリオのカバレッジを測定するというオープンな課題に対処する。
論文 参考訳（メタデータ） (2023-07-11T08:30:57Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。