FREA

FREA: Generación guiada por viabilidad de escenarios críticos para la seguridad con adversidad razonable

Noticias

• 2024-09-05 Noticias emocionantes! ¿FREA es aceptada por CoRL 2024 para presentación oral ??!
• 2024-08-10 Explora la página de nuestro proyecto, ¡¿ahora vive aquí?!
• 2024-08-10 Los códigos ya están disponibles!
• 2024-06-05 Nuestro artículo está disponible en Arxiv?

Este repositorio contiene la implementación del artículo.

FREA: Generación guiada por viabilidad de escenarios críticos para la seguridad con adversidad razonable

Keyu Chen ¹ , Yuheng Lei ² , Hao Cheng ¹ , Haoran Wu ¹ , Wenchao Sun ¹ , Sifa Zheng ¹

¹ Escuela de Vehículos y Movilidad, Universidad de Tsinghua ² Universidad de Hong Kong

Si encuentra útil nuestro trabajo, ¡¿danos una estrella?!

? FREA incorpora la viabilidad como guía para generar escenarios conflictivos pero factibles para la seguridad AV.

? Describir

• ? Configuración
• Uso
  • 1. Recopile datos sin conexión
  • 2. Entrenar la función de valor factible óptima de AV
  • 3. Formar la política adversaria del CBV
  • 4. Tren AV (opcional)
  • ❄️ 5. Evaluación
  • ? 6. Análisis de resultados
  • ? 7. Visualización
• ? Citación
• ? Reconocimiento

? Configuración

Sistema recomendado: Ubuntu 20.04 o 22.04

Paso 1: Instale Carla (se recomienda 0.9.13)

Paso 2: configurar el entorno conda

conda create -n frea python=3.8
conda activate frea

Paso 3: clona este repositorio de git en una carpeta adecuada

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

Paso 4: Ingrese a la carpeta raíz del repositorio e instale los paquetes:

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

Uso

Recopilar datos sin conexión

Recopilar datos de AV y CBV específicos

 # 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

Fusionar todos los datos de diferentes AV y CBV

 # Merge data
python frea/feasibility/unify_offline_data.py

Para utilizar el conjunto de datos fuera de línea en nuestra descarga impresa desde aquí, colóquelos en la carpeta de feasibility .

Entrenar la función de valor factible óptima de AV

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

Formar la política adversarial del CBV

Entrenar a FREA (necesita LFR bien entrenado)

 # 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

Entrenar FPPO-RS (necesita LFR bien capacitado)

 # 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

Tren 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

Tren AV (opcional)

Entrene PPO AV basado en escenarios 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

Entrene PPO AV según escenarios estándar

 # 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

❄️ Evaluación

Evaluación para análisis de datos (registro de resultados)

 # 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

Evaluación para visualización de video.

 # 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

? Análisis de resultados

Análisis de resultados del artículo.

• Resultados de la evaluación
• Curva de aprendizaje
• Resultados de viabilidad

Genera tu propio análisis de resultados

Asegúrese de que la evaluación haya finalizado y que el resultado esté guardado en la carpeta.

 # 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

? Visualización

Espectador mundial

 # 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

ruta 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

mapa 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

? Citación

Si encuentra útil nuestro documento, por favor cítenos a través de:

 @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}
}

? Reconocimiento

Esta implementación se basa en código de varios repositorios. Agradecemos sinceramente a los autores por su increíble trabajo.

• banco seguro
• FISOR
• Planta
• eleganteRL
• distancia3d
• Rey
• Tiempo bidimensional hasta la colisión