FREA下載 - FREA原始碼下載

FREA

其他源碼

1.0.0

下載

FREA：以可行性為引導生成具有合理對抗性的安全關鍵場景

訊息

2024-09-05令人興奮的消息！ FREA 被 CoRL 2024 接受用於口頭報告？
2024-08-10探索我們的專案頁面，現在住在這裡？
2024-08-10代碼現已發布！
2024-06-05我們的論文在Arxiv上可用？

該存儲庫包含論文的實作。

FREA：以可行性為引導生成具有合理對抗性的安全關鍵場景
陳克宇¹ , 雷宇恆² , 程浩¹ , 吳浩然¹ , 孫文超¹ , 鄭四發¹
¹清華大學車輛與交通學院²香港大學

如果您覺得我們的工作有用，請給我們一顆星？

？ FREA 將可行性作為指導，以產生對抗性但 AV 可行、安全關鍵的場景。

？大綱

？設定
用法
- 1. 收集線下數據
- 2.訓練AV的最優可行值函數
- 3. 訓練CBV的對抗策略
- 4. 訓練AV（可選）
- ❄️5.評價
- ？ 6 結果分析
- ？ 7. 可視化
？引文
？致謝

？設定

推薦系統：Ubuntu 20.04或22.04

第1步：安裝Carla（建議0.9.13）

第二步：設定conda環境

conda create -n frea python=3.8
conda activate frea

步驟 3：將此 git 儲存庫複製到適當的資料夾中

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

步驟 4：進入 repo 根資料夾並安裝軟體包：

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

用法

收集離線數據

從特定 AV 和 CBV 收集數據

 # 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

合併來自不同 AV 和 CBV 的所有數據

 # Merge data
python frea/feasibility/unify_offline_data.py

要使用我們論文中的離線資料集，請從此處下載並將它們放入feasibility資料夾中。

訓練AV的最優可行值函數

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

訓練CBV的對抗性政策

訓練FREA（需要訓練有素的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

訓練FPPO-RS（需要訓練有素的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

火車 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

火車 AV（可選）

基於FREA場景訓練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

基於標準場景訓練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

❄️評價

數據分析評估（記錄結果）

 # 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

影片視覺化評估

 # 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

？結果分析

論文結果分析

評估結果
學習曲線
可行性結果

產生您自己的結果分析

確保評估已完成並將結果保存在資料夾中。

 # 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

？視覺化

世界旁觀者

 # 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路線

 # 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

純電動車地圖

 # 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

如果您發現我們的論文有用，請透過以下方式引用我們：

 @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}
}