FREA

FREA: 타당성 있는 적대성을 갖춘 타당성 기반 안전 중요 시나리오 생성

소식

• 2024-09-05 신나는 소식! FREA는 구두 발표를 위해 CoRL 2024에서 승인되었습니다 ??!
• 2024-08-10 프로젝트 페이지를 살펴보세요. 이제 여기에 라이브로?!
• 2024-08-10 코드가 공개되었습니다!
• 2024-06-05 우리 논문이 Arxiv에 올라왔나요?!

이 저장소에는 논문의 구현이 포함되어 있습니다.

FREA: 타당성 있는 적대성을 갖춘 타당성 기반 안전 중요 시나리오 생성

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

¹ 칭화대학교 자동차 및 모빌리티 학부 ² 홍콩대학교

저희 작업이 유용하다고 생각하시면 별점을 주세요?!

? FREA는 적대적이지만 AV 실행 가능하고 안전이 중요한 시나리오를 생성하기 위한 지침으로 타당성을 통합합니다.

? 개요

• ? 설정
• 용법
  • 1. 오프라인 데이터 수집
  • 2. AV의 최적 실현 가능 가치 함수 훈련
  • 3. CBV의 적대적 정책 훈련
  • 4. 열차 AV(선택 사항)
  • ❄️ 5. 평가
  • ? 6. 결과 분석
  • ? 7. 시각화
• ? 소환
• ? 승인

? 설정

권장 시스템: Ubuntu 20.04 또는 22.04

1단계: Carla 설치(0.9.13 권장)

2단계: Conda 환경 설정

conda create -n frea python=3.8
conda activate frea

3단계: 이 git repo를 적절한 폴더에 복제합니다.

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

4단계: repo 루트 폴더를 입력하고 패키지를 설치합니다.

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

용법

오프라인 데이터 수집

특정 AV 및 CBV에서 데이터 수집

 # 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

다양한 AV 및 CBV의 모든 데이터 병합

 # Merge data
python frea/feasibility/unify_offline_data.py

여기에서 다운로드한 논문에서 오프라인 데이터세트를 사용하려면 해당 데이터세트를 feasibility 폴더에 넣으세요.

AV의 최적 실현 가능 가치 함수 훈련

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

CBV의 적대 정책 훈련

FREA 훈련(잘 훈련된 LFR 필요)

 # 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

FPPO-RS 훈련(잘 훈련된 LFR 필요)

 # 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

PPO 훈련

 # 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

열차 AV(선택사항)

FREA 시나리오를 기반으로 PPO AV 교육

 # 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

표준 시나리오를 기반으로 PPO AV 교육

 # 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

❄️ 평가

데이터 분석 평가(결과 기록)

 # 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

영상 시각화 평가

 # 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

? 결과 분석

논문 결과 분석

• 평가 결과
• 학습 곡선
• 타당성 결과

자신만의 결과 분석 생성

평가가 완료되었고 결과가 폴더에 저장되었는지 확인하세요.

 # 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

? 심상

세계관객

 # 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

AV 경로

 # 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

BEV 지도

 # 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

? 소환

저희 논문이 유용하다고 생각하시면 다음을 통해 저희를 인용해 주시기 바랍니다.

 @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}
}

? 승인

이 구현은 여러 저장소의 코드를 기반으로 합니다. 훌륭한 작업을 해주신 작가님들께 진심으로 감사드립니다.

• 세이프벤치
• FISOR
• 식물
• 엘레강트RL
• 거리 3D
• 왕
• 2차원 충돌까지의 시간