碰撞快照引导的时间反向安全关键场景生成

安全关键交通场景的生成对于训练和评估自动驾驶车辆至关重要。以往的方法通常使用简化的对抗性目标，对交通场景中现有智能体的轨迹进行扰动，以诱发安全关键交互，这可能限制所生成场景的合理性和多样性。尽管插入新的对抗车辆可以缓解这一局限，但如何针对具体场景确定引入这些车辆的时间和位置，仍然是一个挑战。在本研究中，我们提出了碰撞快照引导的时间反向安全关键场景生成方法（COSTER），这是一个利用学习到的交通先验来确定合理碰撞时间和位置的框架。COSTER首先在交通场景中确定的碰撞状态处插入一辆与目标车辆接触的新车辆，从而构建碰撞快照。以该碰撞快照为起点，利用条件变分自编码器执行时间反向展开，向更早的时间步反向重建所插入车辆的轨迹。实验表明，在合理性、多样性和数据效率方面，COSTER均优于现有方法。此外，在Waymo Open Motion Dataset中的安全关键场景上，使用COSTER生成的场景进行训练的智能体将碰撞率降低了31%，同时提高了自车任务完成率。项目网站位于 https://anonym-121.github.io/COSTER/。