论文阅读Data-Driven Maneuver Modeling using Generative Adversarial Networks and Variational Autoencoders

Highly Automated Vehicles)

摘要

基于场景的验证是一种很有前途的安全验证高度自动化驾驶系统的方法。通过建模相关的驾驶场景，利用模拟和选择深刻的测试用例，减少了测试的工作量。然而，目前的方法并不能在一个场景中自动创建直观的车辆轨迹模型。我们建议使用无监督的机器学习来训练神经网络来解决建模问题。这些模型学习一组直观的参数，而不需要标记数据，并使用它们来生成新的真实轨迹。基于InfoGAN和beta-VAE结构的神经网络从图像域适应到时间序列域。虽然我们的方法普遍适用，但我们的实验主要集中在高速公路上的变道机动上。为了训练网络，我们使用了从高D数据集中提取的5600多个测量的变道轨迹。我们的结果表明，网络学习描述变道机动多达四个直观的参数。此外，该网络还能够将现有的变道轨迹映射到学习到的参数值上，并生成新的、以前从未见过的、真实的轨迹。我们比较了两种架构之间的结构和多项式模型，并显示了各自的优势。

新的改变

我们提出了一种基于无监督机器学习算法的机动轨迹模型的新方法。一个神经网络学习如何建模机动轨迹，并从记录的轨迹中找到一组可理解的模型参数（见图1）。通过改变模型的输入参数的值，所得到的网络可以生成任意数量的新的真实轨迹。此外，该网络还学习了从轨迹到参数值的逆映射。因此，一个罕见或关键机动的参数表示，以产生无限数量的相关轨迹用于测试。这特别有用，因为数据集通常包含大多数常见的机动变化，但很少包括关键变化。

图1：我们提出的方法使用来自高值数据集的真实轨迹来训练神经网络，从直观的参数中生成合成轨迹作为输入。同时，神经网络可以执行从给定的轨迹到相应的参数值的逆映射。

我们实现并比较了两种方法。第一种方法是基于一种名为InfoGAN [9]的神经网络结构，它是生成对抗网络（GAN）[10]的扩展。GANs是一种最近的无监督生成建模方法，并在机器学习的不同领域实现了最先进的（SOTA）结果。特别是在图像领域，GANs用于图像[11]、[12]或图像处理[13]等任务。第二种方法是基于β-VAE架构[14]，[15]，它是对原始的变分自动编码器（VAE）[16]的扩展。尽管生成的图像质量较低，但VAEs更容易训练，而且β-VAE已经证明了它能够在图像上创建更直观的表示。我们采用这些网络来处理由x/y坐标组成的车辆轨迹的时间序列数据。为了训练我们的网络，我们需要一个真实的轨迹数据集。在本文中，我们选择了高D数据集[17]，这是一个最近从无人机记录中提取的德国高速公路上的车辆轨迹数据集。我们关注的是车道变更策略，因为其中超过5600个已经在高D数据集中被注释。一般来说，基于多项式的模型可以用来很好地近似车道变化，[8]，[17]。然而，我们的方法并不局限于变