FREA

FREA：以可行性为指导生成具有合理对抗性的安全关键场景

消息

• 2024-09-05令人兴奋的消息！ FREA 被 CoRL 2024 接受用于口头报告？？！
• 2024-08-10探索我们的项目页面，现在住在这里？！
• 2024-08-10代码现已发布！
• 2024-06-05我们的论文在Arxiv上可用？！

该存储库包含论文的实现。

FREA：以可行性为指导生成具有合理对抗性的安全关键场景

陈克宇¹ , 雷宇恒² , 程浩¹ , 吴浩然¹ , 孙文超¹ , 郑四发¹

¹清华大学车辆与交通学院²香港大学

如果您觉得我们的工作有用，请给我们一颗星？！

？ FREA 将可行性作为指导，以生成对抗性但 AV 可行、安全关键的场景。

？大纲

• ？设置
• 用法
  • 1. 收集线下数据
  • 2.训练AV的最优可行值函数
  • 3. 训练CBV的对抗策略
  • 4. 训练AV（可选）
  • ❄️5.评价
  • ？ 6 结果分析
  • ？ 7. 可视化
• ？引文
• ？致谢

？设置

推荐系统：Ubuntu 20.04或22.04

第1步：安装Carla（推荐0.9.13）

第二步：设置conda环境

conda create -n frea python=3.8
conda activate frea

第 3 步：将此 git 存储库克隆到适当的文件夹中

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

步骤 4：进入 repo 根文件夹并安装软件包：

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

用法

收集离线数据

从特定 AV 和 CBV 收集数据

 # 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

合并来自不同 AV 和 CBV 的所有数据

 # Merge data
python frea/feasibility/unify_offline_data.py

要使用我们论文中的离线数据集，请从此处下载并将它们放入feasibility文件夹中。

训练AV的最优可行值函数

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

训练CBV的对抗性政策

训练FREA（需要训练有素的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

训练FPPO-RS（需要训练有素的LFR）

 # 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

火车 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

火车 AV（可选）

基于FREA场景训练PPO AV

 # 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

基于标准场景训练PPO AV

 # 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

❄️评价

数据分析评估（记录结果）

 # 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

视频可视化评估

 # 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

？结果分析

论文结果分析

• 评估结果
• 学习曲线
• 可行性结果

生成您自己的结果分析

确保评估已完成并将结果保存在文件夹中。

 # 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

？可视化

世界旁观者

 # 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路线

 # 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

纯电动汽车地图

 # 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

？引文

如果您发现我们的论文有用，请通过以下方式引用我们：

 @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}
}

？致谢

该实现基于多个存储库中的代码。我们衷心感谢作者的出色工作。

• 安全工作台
• 菲索
• 植物
• 优雅RL
• 三维距离
• 国王
• 二维碰撞时间