Safety-Critical Traffic Simulation with Adversarial Transfer of Driving Intentions
作者: Zherui Huang, Xing Gao, Guanjie Zheng, Licheng Wen, Xuemeng Yang, Xiao Sun
分类: cs.RO, cs.LG
发布日期: 2025-03-07
备注: Accepted by ICRA 2025
💡 一句话要点
提出IntSim，通过对抗性迁移驾驶意图实现安全关键交通场景仿真。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 交通仿真 安全关键场景 对抗性学习 驾驶意图 运动规划 自动驾驶 深度学习
📋 核心要点
- 现有交通仿真方法难以从常规数据中生成安全关键场景，尤其缺乏对动态对抗交互的建模。
- IntSim解耦驾驶意图与运动规划，通过对抗性迁移意图来探索攻击行为，并利用深度模型进行意图条件运动规划。
- 在nuScenes和Waymo数据集上的实验表明，IntSim能有效模拟真实安全关键场景，并提升规划器性能。
📝 摘要（中文）
交通仿真通过补充具有长尾分布的真实世界数据，能够有效评估和增强自动驾驶车辆处理事故易发场景的能力。然而，从通常为常规场景的日志数据中模拟此类安全关键场景并非易事，尤其是在考虑自动驾驶车辆与周围交通参与者未来运动之间的动态对抗交互时。为了解决这个问题，本文提出了一种创新且高效的策略，称为IntSim，它明确地将周围参与者的驾驶意图与其运动规划分离，以实现真实且高效的安全关键仿真。我们将驾驶意图的对抗性转移公式化为一个优化问题，从而促进对各种攻击行为的广泛探索和高效的解决方案收敛。同时，意图条件运动规划受益于强大的深度模型和大规模真实世界数据，从而可以模拟参与者的真实运动行为。特别地，通过基于环境调整驾驶意图，IntSim有助于灵活地实现与自动驾驶车辆的动态对抗交互。最后，在包括nuScenes和Waymo在内的真实世界数据集上进行的大量开环和闭环实验表明，所提出的IntSim在模拟真实的安全关键场景方面实现了最先进的性能，并进一步提高了规划器处理此类场景的能力。
🔬 方法详解
问题定义：现有交通仿真方法难以有效地模拟安全关键场景，尤其是在自动驾驶车辆与周围交通参与者之间存在动态对抗交互的情况下。从常规驾驶数据中生成这些场景具有挑战性，因为这些数据通常不包含足够的事故易发或极端情况。因此，如何高效且真实地模拟这些场景，以测试和改进自动驾驶系统的安全性，是一个关键问题。
核心思路：IntSim的核心思路是将周围交通参与者的驾驶意图与其运动规划解耦。通过显式地建模驾驶意图，并采用对抗性迁移的方法来探索不同的意图，IntSim能够生成更广泛、更具挑战性的安全关键场景。这种解耦允许系统独立地控制意图和运动，从而实现更灵活和可控的仿真。
技术框架：IntSim的整体框架包含两个主要模块：驾驶意图的对抗性迁移和意图条件运动规划。首先，通过优化问题来形式化驾驶意图的对抗性迁移，从而探索各种攻击行为。然后，利用意图条件运动规划模块，基于迁移后的意图生成交通参与者的运动轨迹。该模块受益于深度学习模型和大规模真实世界数据，能够模拟更真实的运动行为。
关键创新：IntSim的关键创新在于驾驶意图的对抗性迁移。通过将意图建模为一个可优化的变量，并采用对抗性学习的方法，IntSim能够有效地探索各种可能导致安全事故的驾驶行为。这种方法与传统的基于规则或概率模型的交通仿真方法不同，它能够更灵活地适应不同的环境和场景，并生成更具挑战性的测试用例。
关键设计：IntSim的关键设计包括：1) 对抗性意图迁移的优化目标，旨在最大化自动驾驶车辆的安全风险；2) 意图条件运动规划模块，利用深度神经网络学习从意图到运动轨迹的映射；3) 基于环境的意图自适应机制，允许系统根据周围环境动态调整驾驶意图，从而实现更真实的交互。
🖼️ 关键图片
📊 实验亮点
IntSim在nuScenes和Waymo数据集上进行了评估，实验结果表明，该方法能够生成更真实的、更具挑战性的安全关键场景。与现有方法相比，IntSim能够显著提高自动驾驶规划器在这些场景中的性能，具体提升幅度未知。
🎯 应用场景
IntSim可应用于自动驾驶系统的安全测试与验证，通过生成各种安全关键场景，评估和改进自动驾驶车辆在复杂交通环境中的应对能力。此外，该方法还可用于交通规划和管理，帮助分析不同交通策略对安全的影响，并优化交通流量。
📄 摘要（原文）
Traffic simulation, complementing real-world data with a long-tail distribution, allows for effective evaluation and enhancement of the ability of autonomous vehicles to handle accident-prone scenarios. Simulating such safety-critical scenarios is nontrivial, however, from log data that are typically regular scenarios, especially in consideration of dynamic adversarial interactions between the future motions of autonomous vehicles and surrounding traffic participants. To address it, this paper proposes an innovative and efficient strategy, termed IntSim, that explicitly decouples the driving intentions of surrounding actors from their motion planning for realistic and efficient safety-critical simulation. We formulate the adversarial transfer of driving intention as an optimization problem, facilitating extensive exploration of diverse attack behaviors and efficient solution convergence. Simultaneously, intention-conditioned motion planning benefits from powerful deep models and large-scale real-world data, permitting the simulation of realistic motion behaviors for actors. Specially, through adapting driving intentions based on environments, IntSim facilitates the flexible realization of dynamic adversarial interactions with autonomous vehicles. Finally, extensive open-loop and closed-loop experiments on real-world datasets, including nuScenes and Waymo, demonstrate that the proposed IntSim achieves state-of-the-art performance in simulating realistic safety-critical scenarios and further improves planners in handling such scenarios.