基于人类行为的碰撞场景生成与真实世界碰撞先验，用于自动驾驶车辆安全评估

摘要

自动驾驶汽车 (AV) 的可靠安全评估对于提高道路安全至关重要，但这在很大程度上取决于对罕见碰撞事故的真实模拟。现有的碰撞场景生成方法可以增加碰撞发生率，但通常无法真实地再现碰撞发生之前碰撞的演变过程或现实世界中观察到的碰撞类型的分布。在这里，我们介绍了 CrashSim，这是一种基于人类行为的碰撞场景生成框架，它使用现实世界的碰撞先验来指导生成多智能体交通模拟，以实现更可靠的 AV 安全评估。这些先验捕获了现实世界的碰撞在撞击之前如何演变以及不同碰撞类型如何分布，从而允许有限的碰撞数据指导跨自然驾驶环境的真实且可扩展的场景生成。我们根据竞争方法对 CrashSim 进行了评估，结果表明它更准确地再现了现实世界的碰撞前行为、碰撞动力学、碰撞几何形状和碰撞类型分布。我们进一步使用 CrashSim 构建 nuCrash 数据集，其中包含 4,000 多个崩溃和接近崩溃的场景。对五个 AV 规划器的闭环评估表明，nuCrash 比 nuScenes 更有效地揭示了规划器安全能力的差异。 LLM辅助评估智能体进一步分析规划者的失败，以提供能力级诊断和有针对性的改进指导。 CrashSim 共同实现了真实且可扩展的碰撞生成，从而实现信息更丰富的 AV 安全评估。

基于人类行为的碰撞场景生成与真实世界碰撞先验，用于自动驾驶车辆安全评估的原论文方法或结果图 — 图 1：自动驾驶汽车安全评估的挑战和 CrashSim 概述。 a 当前自动驾驶车辆安全评估的局限性，包括现实世界碰撞的稀疏性以及现有安全关键模拟的行为、运动学和分布偏差。现实世界测试漏斗中的统计数据来自参考文献。 [32]。 b 现实世界的碰撞过程从意图形成到风险意识和紧急响应，再到最终的碰撞结果，而现有的安全关键模拟往往忽视紧急响应并导致严重碰撞。 c CrashSim 根据当前场景上下文检索现实世界的碰撞先验，并使用它们为生成式多智能体模拟和自动驾驶车辆安全评估提供人类行为指导。