FREA

FREA: основанное на технико-экономическом обосновании создание критически важных для безопасности сценариев с разумной враждебностью

Новости

• 2024-09-05 Отличные новости! FREA принят CoRL 2024 для устной презентации ??!
• 2024-08-10 Изучите страницу нашего проекта, теперь живем здесь?!
• 2024-08-10 Коды уже выпущены!
• 2024-06-05 Наша статья доступна на Arxiv?!

Этот репозиторий содержит реализацию статьи.

FREA: основанное на технико-экономическом обосновании создание критически важных для безопасности сценариев с разумной враждебностью

Кэю Чен ¹ , Юхэн Лэй ² , Хао Чэн ¹ , Хаоран Ву ¹ , Вэньчао Сунь ¹ , Сифа Чжэн ¹

¹ Школа транспортных средств и мобильности, Университет Цинхуа ² Университет Гонконга

Если вы найдете нашу работу полезной, пожалуйста, поставьте нам звезду?!

? FREA использует технико-экономическое обоснование в качестве руководства для создания состязательных, но осуществимых с точки зрения AV и критически важных с точки зрения безопасности сценариев.

? Контур

• ? Настраивать
• Использование
  • 1. Соберите офлайн-данные
  • 2. Обучить функцию оптимального допустимого значения AV.
  • 3. Обучение состязательной политике CBV
  • 4. Обучить AV (по желанию)
  • ❄️5. Оценка
  • ? 6. Анализ результатов
  • ? 7. Визуализация
• ? Цитирование
• ? Благодарность

? Настраивать

Рекомендуемая система: Ubuntu 20.04 или 22.04.

Шаг 1. Установите Carla (рекомендуется версия 0.9.13).

Шаг 2. Настройка среды conda

conda create -n frea python=3.8
conda activate frea

Шаг 3. Клонируйте этот репозиторий git в соответствующую папку.

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

Шаг 4. Войдите в корневую папку репо и установите пакеты:

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

Использование

Собирайте офлайн-данные

Собирайте данные от конкретных AV и CBV.

 # 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

Объедините все данные из разных AV и CBV

 # Merge data
python frea/feasibility/unify_offline_data.py

Чтобы использовать офлайн-набор данных в нашей статье, которую можно загрузить отсюда, поместите их в папку feasibility .

Обучите функцию оптимального допустимого значения AV

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

Тренируйте состязательную политику CBV

Обучайте FREA (нужен хорошо обученный LFR)

 # 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

Обучить ФППО-РС (нужен хорошо обученный ЛФР)

 # 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

Поезд ППО

 # 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

Поезд AV (по желанию)

Обучение PPO AV на основе сценариев 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

Обучение PPO AV по стандартным сценариям

 # 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

❄️ Оценка

Оценка для анализа данных (запись результатов)

 # 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

Оценка видеовизуализации

 # 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

? Анализ результатов

Анализ результатов статьи

• Результаты оценки
• Кривая обучения
• Результаты технико-экономического обоснования

Создайте свой собственный анализ результатов

Убедитесь, что оценка завершена и результаты сохранены в папке.

 # 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

? Визуализация

Мировой зритель

 # 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-маршрут

 # 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

карта БЭВ

 # 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

? Цитирование

Если наша статья окажется для вас полезной, пожалуйста, цитируйте нас через:

 @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}
}

? Благодарность

Эта реализация основана на коде из нескольких репозиториев. Мы искренне благодарим авторов за их замечательную работу.

• SafeBench
• ФИСОР
• Растение
• ЭлегантRL
• расстояние3d
• Король
• Двумерное время до столкновения