FREA

FREA: الجيل الموجه من حيث الجدوى لسيناريوهات السلامة الحرجة مع وجود خصومة معقولة

أخبار

• 2024-09-05 أخبار مثيرة! تم قبول FREA من قبل CoRL 2024 للعرض الشفهي ؟؟!
• 2024-08-10 استكشف صفحة مشروعنا، الآن تعيش هنا؟!
• 2024-08-10 تم إصدار الرموز الآن!
• 2024-06-05 ورقتنا متاحة على Arxiv؟!

يحتوي هذا المستودع على تنفيذ الورقة.

FREA: الجيل الموجه من حيث الجدوى لسيناريوهات السلامة الحرجة مع وجود خصومة معقولة

كييو تشين ¹ ، يوهينغ لي ² ، هاو تشينج ¹ ، هاوران وو ¹ ، وينشاو صن ¹ ، سيفا تشنغ ¹

¹ مدرسة المركبات والتنقل، جامعة تسينغهوا ² جامعة هونغ كونغ

إذا وجدت عملنا مفيدا، من فضلك أعطنا نجمة؟!

؟ تدمج FREA الجدوى كتوجيه لإنشاء سيناريوهات عدائية ولكنها مجدية وحرجة للسلامة.

؟ الخطوط العريضة

• ؟ يثبت
• الاستخدام
  • 1. جمع البيانات دون اتصال بالإنترنت
  • 2. تدريب وظيفة القيمة المثلى الممكنة لـ AV
  • 3. تدريب سياسة الخصومة لـ CBV
  • 4. تدريب AV (اختياري)
  • ❄️ 5. التقييم
  • ؟ 6. تحليل النتائج
  • ؟ 7. التصور
• ؟ الاقتباس
• ؟ شكر وتقدير

؟ يثبت

النظام الموصى به: Ubuntu 20.04 أو 22.04

الخطوة 1: تثبيت Carla (يوصى بالإصدار 0.9.13)

الخطوة 2: إعداد بيئة كوندا

conda create -n frea python=3.8
conda activate frea

الخطوة 3: استنساخ git repo هذا في المجلد المناسب

git clone [email protected]:CurryChen77/FREA.git

الخطوة 4: أدخل المجلد الجذر الريبو وقم بتثبيت الحزم:

 cd FREA
pip install -r requirements.txt
pip install -e . 

الاستخدام

جمع البيانات دون اتصال

جمع البيانات من AV وCBV محددة

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -RenderOffScreen -carla-port=2000

# Launch in another terminal
python scripts/run.py --agent_cfg expert.yaml --scenario_cfg standard_train.yaml --mode collect_feasibility_data

دمج جميع البيانات من AV وCBV المختلفة

 # Merge data
python frea/feasibility/unify_offline_data.py

لاستخدام مجموعة البيانات غير المتصلة بالإنترنت في تنزيل ورقتنا من هنا، ضعها في مجلد feasibility .

تدريب وظيفة القيمة المثلى الممكنة لـ AV

 # Train optimal feasible value function of AV
python train_feasibility.py

تدريب سياسة الخصومة من CBV

تدريب FREA (تحتاج إلى LFR مدرب جيدًا)

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -RenderOffScreen -carla-port=2000

# Train FREA
python scripts/run.py --agent_cfg expert.yaml --scenario_cfg fppo_adv_train.yaml --mode train_scenario

تدريب FPPO-RS (يحتاج إلى LFR مدرب جيدًا)

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -RenderOffScreen -carla-port=2000

# Train FPPO-RS
python scripts/run.py --agent_cfg expert.yaml --scenario_cfg fppo_rs_train.yaml --mode train_scenario

تدريب PPO

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -RenderOffScreen -carla-port=2000

# Train PPO
python scripts/run.py --agent_cfg expert.yaml --scenario_cfg ppo_train.yaml --mode train_scenario

تدريب AV (اختياري)

تدريب PPO AV بناءً على سيناريوهات FREA

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -RenderOffScreen -carla-port=2000

# Train FREA
python scripts/run.py --agent_cfg ppo.yaml --scenario_cfg fppo_adv_train.yaml --mode train_agent

تدريب PPO AV بناءً على السيناريوهات القياسية

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -RenderOffScreen -carla-port=2000

# Train FREA
python scripts/run.py --agent_cfg ppo.yaml --scenario_cfg standard_train.yaml --mode train_agent

❄️ التقييم

التقييم لتحليل البيانات (تسجيل النتائج)

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -windowed -carla-port=2000

# Evaluation FREA
python scripts/run.py --agent_cfg expert.yaml --scenario_cfg FPPO_adv_eval.yaml --mode eval --eval_mode analysis

تقييم لتصور الفيديو

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -windowed -carla-port=2000

# Evaluation FREA
python scripts/run.py --agent_cfg expert.yaml --scenario_cfg FPPO_adv_eval.yaml --mode eval --eval_mode render

؟ تحليل النتائج

تحليل نتائج الورقة

• نتائج التقييم
• منحنى التعلم
• نتائج الجدوى

إنشاء تحليل النتائج الخاصة بك

تأكد من انتهاء التقييم وحفظ النتيجة في المجلد.

 # Process the recorded data
python eval_analysis/process_data/process_all_data.py

# Plot the evaluation result
python eval_analysis/plot_data/plot_evaluation_result.py

؟ التصور

متفرج عالمي

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -windowed -carla-port=2000

# Set world spectator
python scripts/run.py --agent_cfg expert.yaml --scenario_cfg standard_eval.yaml --mode eval -sp

طريق AV

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -windowed -carla-port=2000

# Visualize AV route
python scripts/run.py --agent_cfg expert.yaml --scenario_cfg standard_eval.yaml --mode eval -viz_route

خريطة BEV

 # Launch CARLA
./CarlaUE4.sh -prefernvidia -windowed -carla-port=2000

# Visualize BEV map
python scripts/run.py --agent_cfg expert.yaml --scenario_cfg FPPO_adv_eval.yaml --mode eval --eval_mode render

؟ الاقتباس

إذا وجدت ورقتنا مفيدة، يرجى التكرم بالإشارة إلينا عبر:

 @inproceedings{
  chen2024frea,
  title={{FREA}: Feasibility-Guided Generation of Safety-Critical Scenarios with Reasonable Adversariality},
  author={Keyu Chen and Yuheng Lei and Hao Cheng and Haoran Wu and Wenchao Sun and Sifa Zheng},
  booktitle={8th Annual Conference on Robot Learning},
  year={2024},
  url={https://openreview.net/forum?id=3bcujpPikC}
}

؟ شكر وتقدير

يعتمد هذا التنفيذ على تعليمات برمجية من عدة مستودعات. ونحن نشكر بإخلاص المؤلفين على عملهم الرائع.

• SafeBench
• فيسور
• نبات
• ElegantRL
• distance3d
• ملِك
• زمن الاصطدام ثنائي الأبعاد