[[427712]]

arXiv上2021年9月28日上傳論文“SafetyNet: Safe planning for real-world self-driving vehicles using machine-learned policies“，來自Level 5， Toyota收購的Lyft自動駕駛團隊。

本文介紹的是，通過來自于專家演示的訓練，實現(xiàn)一個安全自動駕駛控制系統(tǒng)。因為機器學習（ML）方法存在安全問題，風險不可預測，故此加入一個基于規(guī)則的退卻層（rule-based fallback layer），對ML決策做健全檢查（sanity checks），這樣可減少ML規(guī)劃器的碰撞95%。整個實驗采用300小時的駕駛數(shù)據(jù)做模仿學習（IL），并在三番市進行了測試。

更多信息參見 Autonomy 2.0 - 2022-SafetyNet

代碼 GitHub - lyft/l5kit: L5Kit - level5.lyft.com

如圖是SafeNet的基本框架：ML規(guī)劃給出軌跡預測，通過一個fallback layer進行驗證。

下面的圖像是一個SafeNet在三番市區(qū)進行自動駕駛的例子：

如圖是模型的架構圖：類似谷歌WayMo的VectorNet，一個分級圖網(wǎng)絡；采用PointNet網(wǎng)絡進行輸入信息（車輛姿態(tài)和大小，其他智體的姿態(tài)、大小和目標類型，HD地圖的靜態(tài)信息和動態(tài)信息，以及路線規(guī)劃routing）的局部編碼，基于Transformer做全局嵌入推理智體和地圖特征之間的交互。這個結構會通過運動解碼器做控制信號，基于自行車模型。

網(wǎng)絡訓練基于模仿學習，加入擾動，擴展分布減少covariance shift的影響。損失函數(shù)考慮曲率kt和抖動jt的因素改進舒適度，即

這里補充一下運動解碼器的模型如下：

在fallback層，考慮幾個維度進行軌跡評估：

• dynamic feasibility ：包括約束的longitudinal jerk, longitudinal acceleration, curvature, curvature rate, lateral acceleration, 和 steering jerk (curvature rate X velocity)；
• legality：交通規(guī)則，比如stop sign、紅燈、離開道路或者讓路等等
• collision probability：碰撞檢測

這樣給軌跡做標記【Feasible, Infeasible】，最后產(chǎn)生一個最接近ML預測軌跡的Feasible結果。

訓練規(guī)模如此：

fallback層的影響：

實驗的性能比較：ML規(guī)劃和ML規(guī)劃+fallback層

SafetyNet將 ML 規(guī)劃器與基于規(guī)則的系統(tǒng)fallback層相結合，與純基于機器學習的系統(tǒng)相比，安全性和舒適性指標得到改進，在具有挑戰(zhàn)性的舊金山街道測試。

今后可將fallback層細化，不那么保守，不增加被動性。另外，可以借鑒基于模型的強化學習 (RL) 、離線 RL 或數(shù)據(jù)驅動模擬的閉環(huán)訓練等進行改進。