GOOSE: Goal-Conditioned Reinforcement Learning for Safety-Critical Scenario Generation

场景测试被认为是验证和验证先进驾驶辅助系统（ADAS）和自动驾驶系统（ADS）的最先进方法。然而，场景测试的实际应用需要一种有效的方法来生成或收集用于安全评估所需的场景。本文提出了目标条件场景生成（GOOSE），这是一种基于目标条件的强化学习（RL）方法，可自动生成挑战ADAS或ADS的安全关键场景。为了同时设置和优化场景，我们提出在场景级别控制车辆轨迹。 RL框架中的每个步骤对应于场景模拟。我们使用非均匀有理B样条（NURBS）进行轨迹建模。为了指导目标条件代理，我们制定了受OpenScenario领域特定语言（DSL）启发的测试特定的基于约束的目标。通过对基于联合国第157号规则的多个预碰撞场景进行的实验，我们证明了GOOSE在生成导致安全关键事件的场景方面的有效性。

本文旨在提出一种有效的方法，通过生成或收集场景来验证和验证高级驾驶辅助系统（ADAS）和自动驾驶系统（ADS）的安全性。具体而言，本文提出了一种名为GOOSE的目标条件场景生成方法，用于自动生成用于挑战ADAS或ADS的安全关键场景。

本文提出了一种目标条件强化学习（RL）方法，用于控制车辆轨迹以在场景级别上同时设置和优化场景。每个RL框架中的步骤对应于场景模拟。使用NURBS进行轨迹建模。为引导目标条件代理，我们制定了受OpenScenario领域特定语言（DSL）启发的测试特定约束目标。

本文的亮点包括使用GOOSE方法生成安全关键场景，使用UN规则No.157的多个预碰撞场景进行实验，以展示GOOSE的有效性。本文使用了NURBS进行轨迹建模，制定了测试特定约束目标。本文还提供了开源代码。

最近的相关研究包括基于场景的测试方法和使用RL生成场景的方法。相关论文包括“Scenario-based Testing of Autonomous Vehicles: A Review”和“Deep Reinforcement Learning for Autonomous Driving: A Survey”。