FREA

FREA: Pembuatan Skenario Kritis Keselamatan yang Dipandu Kelayakan dengan Permusuhan yang Wajar

Berita

• 2024-09-05 Berita menarik! FREA diterima CoRL 2024 untuk Oral Presentation ??!
• 2024-08-10 Jelajahi halaman proyek kami, sekarang langsung di sini?!
• 2024-08-10 Kode sekarang dirilis!
• 2024-06-05 Makalah kami tersedia di Arxiv?!

Repositori ini berisi implementasi makalah.

FREA: Pembuatan Skenario Kritis Keselamatan yang Dipandu Kelayakan dengan Permusuhan yang Wajar

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

¹ Sekolah Kendaraan dan Mobilitas, Universitas Tsinghua ² Universitas Hong Kong

Jika Anda merasa karya kami bermanfaat, Tolong beri kami bintang?!

? FREA menggabungkan kelayakan sebagai panduan untuk menghasilkan skenario yang merugikan namun layak untuk dilakukan AV, dan kritis terhadap keselamatan.

? Garis besar

• ? Pengaturan
• Penggunaan
  • 1. Kumpulkan Data Offline
  • 2. Melatih fungsi nilai layak optimal AV
  • 3. Melatih kebijakan CBV yang bersifat permusuhan
  • 4. Latih AV (opsional)
  • ❄️ 5. Evaluasi
  • ? 6. Analisis Hasil
  • ? 7. Visualisasi
• ? Kutipan
• ? Pengakuan

? Pengaturan

Sistem yang disarankan: Ubuntu 20.04 atau 22.04

Langkah 1: Instal Carla (disarankan 0.9.13)

Langkah 2: Siapkan lingkungan conda

conda create -n frea python=3.8
conda activate frea

Langkah 3: Kloning repo git ini ke folder yang sesuai

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

Langkah 4: Masuk ke folder root repo dan instal paket:

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

Penggunaan

Kumpulkan Data Offline

Kumpulkan data dari AV dan CBV tertentu

 # 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

Gabungkan semua data dari AV dan CBV yang berbeda

 # Merge data
python frea/feasibility/unify_offline_data.py

Untuk menggunakan kumpulan data offline dalam makalah kami, unduh dari sini, masukkan ke dalam folder feasibility .

Melatih fungsi nilai layak optimal AV

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

Latih kebijakan permusuhan CBV

Latih FREA (membutuhkan LFR yang terlatih)

 # 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

Melatih FPPO-RS (memerlukan LFR yang terlatih)

 # 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

Kereta 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

Latih AV (opsional)

Latih PPO AV berdasarkan skenario 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

Latih PPO AV berdasarkan skenario standar

 # 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

❄️ Evaluasi

Evaluasi untuk analisis data (mencatat hasil)

 # 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

Evaluasi untuk visualisasi 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

? Analisis Hasil

Hasil analisis makalah

• Hasil Evaluasi
• Kurva Pembelajaran
• Hasil Kelayakan

Hasilkan analisis hasil Anda sendiri

Pastikan Evaluasi telah selesai dan hasilnya disimpan dalam folder.

 # 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

? Visualisasi

Penonton dunia

 # 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

Rute 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

peta 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

? Kutipan

Jika Anda merasa makalah kami bermanfaat, silakan kutip kami melalui:

 @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}
}

? Pengakuan

Implementasi ini didasarkan pada kode dari beberapa repositori. Kami dengan tulus berterima kasih kepada penulis atas karya luar biasa mereka.

• Bench Aman
• FISOR
• Tanaman
• EleganRL
• jarak3d
• Raja
• Waktu-Untuk-Tabrakan Dua Dimensi