摘要

本文由Canjie Cai撰写，提出了一种针对地下停车场的感知失败场景加速生成方法。随着自动驾驶技术的快速发展，自动驾驶车辆已成为未来交通系统的核心。然而，地下停车场的特殊环境，如结构限制、光照不足和高密度障碍物，对自动驾驶车辆的感知系统提出了更高的要求。本文通过学习背景车辆（BVs）与自动驾驶车辆（AVs）在感知失败场景中的交互，利用编辑马尔可夫过程优化感知失败场景数据的训练，从而在Carla和Vissim平台上构建了一个高密度的感知失败场景智能测试环境。该方法不仅提高了感知算法的安全性能，还为自动驾驶技术在复杂环境中的应用提供了新的测试和验证手段。

原理

本文提出的方法通过学习背景车辆（BVs）与自动驾驶车辆（AVs）在感知失败场景中的交互行为，生成高密度的感知失败场景。具体来说，该方法通过编辑感知失败场景数据中的马尔可夫过程，增加训练数据中关键信息的密度，从而优化感知失败场景的学习和生成。这种方法的核心在于利用深度学习模型优化背景车辆的操纵分布，以最大化感知失败事件的概率。通过这种方式，可以在模拟环境中高效地生成大量感知失败场景，用于测试和改进自动驾驶车辆的感知算法。

流程

本文的工作流程包括以下几个关键步骤：

1. 在Carla和Vissim平台上构建地下停车场的模拟环境。
2. 收集模拟环境中的驾驶场景数据，并从中选择感知失败场景数据。
3. 通过编辑马尔可夫过程，优化感知失败场景数据中的关键状态。
4. 利用深度学习模型训练背景车辆的操纵分布模型。
5. 在生成的智能测试环境中，比较感知失败帧的比例，验证方法的有效性。 例如，通过在模拟环境中收集的数据，训练模型可以更有效地识别和处理感知失败场景，从而提高自动驾驶车辆在地下停车场中的安全性能。

应用

本文提出的方法为自动驾驶车辆在地下停车场等复杂环境中的安全性能测试提供了新的解决方案。通过生成高密度的感知失败场景，该方法有助于加速自动驾驶技术的研发和验证过程，特别是在需要高度可靠性的应用场景中，如商业停车场、地下车库等。此外，该方法还可以扩展到其他类型的自动驾驶场景，如城市道路、高速公路等，具有广泛的应用前景。