ترجمه فارسی مقاله SEAL: به سوی رانندگی خودگردان ایمن از طریق یادگیری حریف دارای مهارت برای تولید سناریوهای حلقه بسته

چکیده

Verification and validation of autonomous driving (AD) systems and components is of increasing importance, as such technology increases in real-world prevalence. Safety-critical scenario generation is a key approach to robustify AD policies through closed-loop training. However, existing approaches for scenario generation rely on simplistic objectives, resulting in overly-aggressive or non-reactive adversarial behaviors. To generate diverse adversarial yet realistic scenarios, we propose SEAL, a scenario perturbation approach which leverages learned scoring functions and adversarial, human-like skills. SEAL-perturbed scenarios are more realistic than SOTA baselines, leading to improved ego task success across real-world, in-distribution, and out-of-distribution scenarios, of more than 20%. To facilitate future research, we release our code and tools: https://github.com/cmubig/SEAL

چکیده به فارسی (ترجمه ماشینی)

تأیید و اعتبار سنجی سیستم ها و مؤلفه های رانندگی خودمختار (AD) از اهمیت فزاینده ای برخوردار است ، زیرا این فناوری در شیوع دنیای واقعی افزایش می یابد.تولید سناریوی مهم ایمنی یک رویکرد کلیدی برای تقویت سیاست های تبلیغاتی از طریق آموزش حلقه بسته است.با این حال ، رویکردهای موجود برای تولید سناریو به اهداف ساده گرایانه متکی هستند ، و در نتیجه رفتارهای مخالف بیش از حد تهاجمی یا غیر واکنشی ایجاد می شود.برای تولید سناریوهای متنوع و در عین حال واقع بینانه ، ما یک روش ، یک رویکرد آشفتگی سناریو را پیشنهاد می کنیم که از عملکردهای به ثمر رساندن و مهارتهای مخالف و انسانی مانند استفاده می کند.سناریوهای مهر و موم شده واقع بینانه تر از خطوط SOTA هستند و منجر به بهبود موفقیت وظیفه نفس در سناریوهای دنیای واقعی ، توزیع و خارج از توزیع ، بیش از 20 ٪ می شوند.برای تسهیل تحقیقات آینده ، ما کد و ابزارهای خود را منتشر می کنیم: https://github.com/cmubig/seal