FREA

FREA: Geração de Cenários Críticos de Segurança Guiada pela Viabilidade com Adversarialidade Razoável

Notícias

• 2024-09-05 Notícias emocionantes! FREA é aceito pelo CoRL 2024 para Apresentação Oral ??!
• 2024-08-10 Explore a página do nosso projeto, agora ao vivo aqui?!
• 2024-08-10 Os códigos já foram lançados!
• 2024-06-05 Nosso artigo está disponível no Arxiv?!

Este repositório contém a implementação do artigo.

FREA: Geração de Cenários Críticos de Segurança Guiada pela Viabilidade com Adversarialidade Razoável

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

¹ Escola de Veículos e Mobilidade, Universidade de Tsinghua ² Universidade de Hong Kong

Se você acha nosso trabalho útil, por favor, dê-nos uma estrela?!

? O FREA incorpora a viabilidade como orientação para gerar cenários críticos de segurança, contraditórios, porém viáveis ​​para AV.

? Contorno

• ? Configurar
• Uso
  • 1. Colete dados off-line
  • 2. Treine a função de valor viável ideal de AV
  • 3. Treinar a política contraditória da CBV
  • 4. Treine AV (opcional)
  • ❄️ 5. Avaliação
  • ? 6. Análise de Resultados
  • ? 7. Visualização
• ? Citação
• ? Reconhecimento

? Configurar

Sistema recomendado: Ubuntu 20.04 ou 22.04

Etapa 1: Instale Carla (0.9.13 recomendado)

Etapa 2: configurar o ambiente conda

conda create -n frea python=3.8
conda activate frea

Etapa 3: clonar este repositório git em uma pasta apropriada

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

Passo 4: Entre na pasta raiz do repositório e instale os pacotes:

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

Uso

Colete dados off-line

Coletar dados de AV e 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

Mesclar todos os dados de diferentes AV e CBV

 # Merge data
python frea/feasibility/unify_offline_data.py

Para usar o conjunto de dados off-line em nosso download de papel aqui, coloque-os na pasta feasibility .

Treine a função de valor viável ideal de AV

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

Treinar a política contraditória da CBV

Treinar FREA (precisa de LFR bem treinado)

 # 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

Treinar FPPO-RS (precisa de LFR bem treinado)

 # 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

Treinar 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

Trem AV (opcional)

Treine PPO AV com base em cenários 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

Treine PPO AV com base em cenários padrão

 # 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

❄️ Avaliação

Avaliação para análise de dados (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

Avaliação para visualização de vídeo

 # 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

? Análise de Resultados

Análise dos resultados do artigo

• Resultados da avaliação
• Curva de Aprendizagem
• Resultados de Viabilidade

Gere sua própria análise de resultados

Certifique-se de que a avaliação foi concluída e o resultado está salvo na pasta.

 # 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

? Visualização

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

Rota 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

? Citação

Se você achar nosso artigo útil, por favor, cite-nos 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}
}

? Reconhecimento

Esta implementação é baseada em código de vários repositórios. Agradecemos sinceramente aos autores por seu trabalho incrível.

• Banco Seguro
• FISOR
• Plantar
• EleganteRL
• distância3d
• Rei
• Tempo de colisão bidimensional