自動駕駛汽車（ AVs ）必須能夠安全地處理現實世界中可能遇到的任何類型的交通場景。這包括危險的近距離事故，交通中其他道路使用者的意外操作可能導致碰撞。
然而，在這些類型的場景中開發和測試 AV 具有挑戰性。真實世界中的碰撞數據是稀疏的，在真實世界中重新創建這種情況是危險的，并且難以擴展。
要了解 NVIDIA 的最新研究，該研究使用 AI 在模擬中自動生成事故場景，以進行安全和可擴展的 AV 測試，請觀看下面的 NVIDIA DRIVE Labs video 。
我們將以工程為重點，關注各個自動駕駛汽車挑戰以及 NVIDIA DRIVE 團隊如何應對這些挑戰。趕上
使用 STRIVE 對 AV 計劃器進行壓力測試
在 AV 堆棧中， planner module 負責決定自我車輛應該如何駕駛。徹底測試計劃器需要模擬潛在事故交通場景的真實和多樣的數據集。
我們開發了一種名為 STRIVE （ S stress- T estD rive ）的方法，為 AV 規劃師創建了一組豐富的事故場景（圖 1 ）。規劃器的行為可以通過分析其在模擬中失敗的地方，并在部署到真實道路上之前進行糾正來改善。
通過優化產生潛在事故
STRIVE 從一個真實世界場景開始，在這個場景中， AV 計劃員按照預期執行。它使用對抗性優化來修改場景中車輛的 2D 軌跡，以引起與 AV 的碰撞。與 AV 碰撞的對手車輛可以由用戶指定或在優化期間自動選擇。
第二個解決方案優化為飛行器找到了避免事故的策略，以提高計劃器的能力。 STRIVE 使用有用的解決方案來改善 AV ，從而創造出現實和多樣的事故（圖 2 ）。
真實的數據驅動交通模型
模擬事故必須真實，準確反映真實的交通狀況和物理現象。 STRIVE 使用人工智能交通模型，通過在大型真實世界數據集上進行訓練，學習真實的車輛軌跡。該模型如圖 1 中的 Traffic Prior 所示。在優化過程中， STRIVE 會檢查這個經過訓練的人工智能模型，以確保生成的場景仍然真實，即使它包含意外。
從 2D 軌跡到 3D 仿真
在 NVIDIA DRIVE Sim 中使用 STRIVE 來創建交叉口處事故的幾種變化。 STRIVE 從從真實駕駛中重建的常規交通開始，使用不同的車輛產生多起可能的事故（圖 3 ）。
結論
STRIVE 在模擬中自動創建罕見和危險的潛在事故場景。使用此工具， AV 開發人員可以全面培訓和評估自動駕駛系統，以確保其安全運行。在車輛之間生成可能的碰撞只是如何在人工智能模擬中控制交通的一個例子。我們正在努力將數據驅動模型納入所有類型的交通模擬，包括行人、騎車人和場景編輯。
其他資源
要了解更多信息，請查看以下相關資源：
- STRIVE project page
- Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior
- STRIVE code on GitHub
- DRIVE Sim Scenario Reconstruction, Powered by NVIDIA Omniverse
Register for NVIDIA GTC 2023 for free 并于 3 月 20 日至 23 日加入我們，參加以下相關會議：
- Revolutionizing AV Development with Generative AI
- Building Trust in AI for Autonomous Vehicles
- Data-Driven AV Safety
?
?
