FREA: Feasibility-Guided Generation of Safety-Critical Scenarios with Reasonable Adversariality

生成安全关键场景对于评估自动驾驶汽车（AVs）的鲁棒性至关重要，但难以大规模收集。现有方法侧重于在保持场景自然性的同时优化对抗性，旨在通过数据驱动方法实现平衡。然而，如果没有适当的对抗性上限，场景可能会表现出过度的对抗性，可能导致不可避免的碰撞。本文介绍了FREA，一种新颖的安全关键场景生成方法，它将AV的最大可行区域（LFR）作为指导，以确保对抗场景的合理性。具体而言，FREA首先从离线数据集中预先计算AV的LFR。随后，它通过最大化一种新颖的可行性相关目标函数来学习一个合理的对抗策略，该策略控制场景中的关键背景车辆（CBVs）生成对抗性但AV可行的场景。广泛的实验表明，FREA可以有效地生成安全关键场景，产生相当数量的近撞事件，同时确保AV的可行性。泛化分析也证实了FREA在各种代理AV方法和交通环境下进行AV测试的鲁棒性。

本文提出了一种生成安全关键场景的方法，以评估自动驾驶汽车的鲁棒性。该方法旨在在保持场景自然性的同时优化对抗性，但是缺乏对抗性的适当上限可能导致场景过于对抗性，从而导致不可避免的碰撞。

本文提出了一种新颖的安全关键场景生成方法FREA，它将自动驾驶汽车的最大可行区域作为引导，以确保对抗场景的合理性。FREA首先从离线数据集中预先计算AV的LFR，然后学习一个合理的对抗策略来控制场景中的关键背景车辆（CBVs），通过最大化一个新颖的可行性依赖目标函数来生成对抗性但AV可行的场景。

本文的亮点在于提出了一种新的安全关键场景生成方法，能够生成大量的近撞事件，同时确保AV的可行性。实验结果表明，FREA能够有效地生成安全关键场景，并具有良好的泛化能力。本文还提供了开源代码。

最近的相关研究包括：1. Adversarial Scenario Generation for Autonomous Driving，2. Safety-Aware Adversarial Training for Autonomous Driving，3. Adversarial Autoencoder for Generating Safe and Adversarial Scenarios，4. Generating and Evaluating Safe and Adversarial Scenarios for Autonomous Driving。