衝突スナップショット誘導による時間反転型安全臨界シナリオ生成

COSTERは、自動運転車の評価・訓練用に安全性が重大な交通シナリオを生成するフレームワークである。既存のエージェントの軌道を摂動する従来手法とは異なり、学習された交通事前分布を用いて衝突が起こり得る時刻と場所を推定し、その衝突状態に新しい車両を挿入した「衝突スナップショット」を構築する。その後、conditional variational autoencoder (CVAE)を用いて時間を逆方向に展開し、挿入した車両の軌道を過去の時刻へと再構成することで、現実的で多様なシナリオを生成する。

従来のadversarialな目的関数による軌道摂動は、生成シナリオの現実性と多様性を制限する。また、新しいadversarial vehicleを挿入する手法は、その挿入時刻と場所をシナリオ固有に決定することが難しい。COSTERは、学習された交通priorを用いて衝突時刻と場所を推定することで、これらの制限を克服し、より現実的で多様なシナリオを生成できる点が優れている。

手法の核心は、衝突スナップショットの構築と時間反転ロールアウトにある。まず、交通シナリオ内で対象車両と接触する新しい車両を衝突状態に挿入する。次に、CVAEを用いて、この衝突スナップショットから時間を逆方向に展開し、挿入した車両の軌道を過去の時刻へと再構成する。これにより、衝突に至る自然な軌道が生成される。

実験では、既存手法と比較して、生成シナリオの現実性、多様性、データ効率の点で優れていることを示した。さらに、COSTERで生成したシナリオで訓練したエージェントは、Waymo Open Motion Datasetの安全性が重大なシナリオにおいて衝突率を31%削減し、egoタスクの完了率も向上した。

要旨からは、COSTERの限界や潜在的な問題についての議論は不明である。ただし、生成シナリオの現実性と多様性を向上させる一方で、シナリオ生成の計算コストや、学習された交通priorのバイアスが結果に与える影響などが考えられるが、要旨には記載がない。

要旨で参照されている既存手法（軌道摂動によるadversarialなシナリオ生成）や、関連する安全性が重大なシナリオ生成の研究、およびWaymo Open Motion Datasetを用いた研究が挙げられる。具体的には、adversarial scenario generationやtraffic simulationの分野の論文が関連する。