Téléchargement FREA - Téléchargement du code source FREA

FREA

Autre code source

1.0.0

Télécharger

FREA : Génération guidée par la faisabilité de scénarios critiques pour la sécurité avec une contradictoire raisonnable

Nouvelles

2024-09-05 Des nouvelles passionnantes ! FREA est accepté par CoRL 2024 pour une présentation orale ??!
2024-08-10 Explorez notre page de projet, maintenant en direct ici ?!
2024-08-10 Les codes sont maintenant publiés !
2024-06-05 Notre article est disponible sur Arxiv ?!

Ce référentiel contient la mise en œuvre du document.

FREA : Génération guidée par la faisabilité de scénarios critiques pour la sécurité avec une contradictoire raisonnable
Keyu Chen ¹ , Yuheng Lei ² , Hao Cheng ¹ , Haoran Wu ¹ , Wenchao Sun ¹ , Sifa Zheng ¹
¹ École des véhicules et de la mobilité, Université Tsinghua ² Université de Hong Kong

Si vous trouvez notre travail utile, donnez-nous une étoile ?!

? FREA intègre la faisabilité comme guide pour générer des scénarios contradictoires mais réalisables et critiques pour la sécurité.

? Contour

? Installation
Usage
- 1. Collectez des données hors ligne
- 2. Former la fonction de valeur réalisable optimale de AV
- 3. Former la politique contradictoire du CBV
- 4. Entraîner AV (facultatif)
- ❄️ 5. Évaluation
- ? 6. Analyse des résultats
- ? 7. Visualisation
? Citation
? Reconnaissance

? Installation

Système recommandé : Ubuntu 20.04 ou 22.04

Étape 1 : Installer Carla (0.9.13 recommandé)

Étape 2 : Configurer l'environnement Conda

conda create -n frea python=3.8
conda activate frea

Étape 3 : Clonez ce dépôt git dans un dossier approprié

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

Étape 4 : Entrez le dossier racine du dépôt et installez les packages :

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

Usage

Collecter des données hors ligne

Collecter des données provenant d'AV et de CBV spécifiques

 # 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

Fusionner toutes les données de différents AV et CBV

 # Merge data
python frea/feasibility/unify_offline_data.py

Pour utiliser l'ensemble de données hors ligne dans notre article, téléchargez-les ici, placez-les dans le dossier feasibility .

Former la fonction de valeur réalisable optimale de AV

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

Former la politique contradictoire des CBV

Former FREA (besoin de LFR bien formés)

 # 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

Former FPPO-RS (besoin de LFR bien formé)

 # 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

Former les OPP

 # 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

Train AV (facultatif)

Former PPO AV basé sur des scénarios 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

Former PPO AV sur la base de scénarios standards

 # 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

❄️ Évaluation

Évaluation pour l'analyse des données (enregistrement des résultats)

 # 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

Évaluation pour la visualisation vidéo

 # 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

? Analyse des résultats

Analyse des résultats de l'article

Résultats de l'évaluation
Courbe d'apprentissage
Résultats de faisabilité

Générez votre propre analyse des résultats

Assurez-vous que l'évaluation est terminée et que les résultats sont enregistrés dans le dossier.

 # 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

? Visualisation

Spectateur mondial

 # 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

Itinéraire 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

Carte 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

? Citation

Si vous trouvez notre article utile, veuillez nous citer via :

 @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}
}