NeuroNCAP: Photorealistic Closed-loop Safety Testing for Autonomous Driving

我们提出了一种多用途的基于NeRF的模拟器，用于测试自动驾驶（AD）软件系统，重点关注传感器逼真的闭环评估和安全关键场景的创建。该模拟器从实际驾驶传感器数据序列中学习，并能重新配置和渲染新的未见过的场景。在本文中，我们使用我们的模拟器来测试AD模型对欧洲新车评估计划（Euro NCAP）启发的安全关键场景的响应。我们的评估表明，虽然最先进的端到端规划器在开环设置下在标称驾驶场景中表现出色，但在闭环设置下导航我们的安全关键场景时存在关键缺陷。这凸显了端到端规划器在安全性和实际可用性方面需要进一步发展。通过将我们的模拟器和场景作为易于运行的评估套件公开发布，我们邀请研究界在受控的、高度可配置和具有挑战性的传感器逼真环境中探索、完善和验证其AD模型。代码和说明可在https://github.com/wljungbergh/NeuroNCAP找到。

论文旨在解决自动驾驶（AD）软件系统的测试问题，特别是在安全关键场景下的测试。研究人员使用了一个基于NeRF的模拟器，来测试AD模型在安全关键场景下的表现。

论文的关键思路是使用基于NeRF的模拟器，从真实世界的驾驶传感器数据中学习，以测试AD模型在安全关键场景下的表现。该模拟器能够重新配置和渲染新的场景，为研究人员提供高度可配置和具有挑战性的传感器真实性环境。

论文设计了一系列安全关键场景，并使用模拟器测试了现有的端到端规划器在这些场景下的表现。实验结果表明，现有的端到端规划器在正常驾驶场景下表现良好，在安全关键场景下表现不佳。论文公开了模拟器和场景作为易于运行的评估套件，鼓励研究人员在可控的环境中探索、改进和验证他们的AD模型。

最近在这个领域中，还有一些相关研究，例如“End-to-End Learning for Autonomous Driving: A Survey”和“Learning to Drive from Simulation without Real World Labels”。