Résumé Technique : DriveSafer

Énoncé du Problème

Bien que les modèles de conduite autonome de bout en bout (E2E) aient démontré des capacités croissantes sur des benchmarks complexes, ils restent sujets à un nombre significatif de défaillances catastrophiques dans des scénarios critiques pour la sécurité. Les auteurs observent que nombre de ces défaillances découlent de violations des contraintes physiques et des exigences de sécurité, conduisant à des comportements dangereux tels que des collisions, une sortie des zones autorisées ou un écart par rapport à la direction prévue.

Les métriques d'évaluation actuelles, telles que l'erreur de distance L2 par rapport aux trajectoires de référence, masquent souvent ces défaillances critiques. Un modèle peut atteindre des performances de pointe sur les métriques d'erreur de trajectoire tout en exhibant des comportements dangereux et « aveugles ». L'article soutient que les améliorations moyennes de la qualité de la planification sont insuffisantes ; le défi principal réside dans la « longue traîne » des défaillances catastrophiques (définies comme un Score de Modèle de Conducteur Prédictif, ou PDMS, de 0). Ces défaillances incluent :

1. Des collisions avec des objets en mouvement (véhicules ou piétons).
2. Une sortie de la zone de circulation permise (par exemple, sur les trottoirs).
3. Des écarts significatifs par rapport à la direction de conduite prévue.

Méthodologie

Les auteurs proposent DriveSafer, un cadre de sécurité conscient des défaillances conçu pour orienter explicitement les planificateurs E2E génératifs vers des comportements sûrs. Le cadre fonctionne sur un modèle de base, DiffusionDrive, et introduit une application de la sécurité à travers deux phases synergiques :

1. Formation Consciente de la Sécurité

DriveSafer modifie l'objectif de formation en incorporant des fonctions de perte spécialisées, informées par la physique et conscientes de la sécurité, parallèlement à la perte de base ($L_{base}$). La perte totale est définie comme suit :
$$L_{total} = L_{base} + \lambda_{DAC}L_{DAC} + \lambda_{Col}L_{Col} + \lambda_{Comf}L_{Comf}$$

• Conformité à la Zone de Circulation ($L_{DAC}$) : Pénalise les trajectoires prédites qui quittent le masque de la zone de circulation dérivé de la carte sous-jacente.
• Évitement des Collisions ($L_{Col}$) : Pénalise les trajectoires qui s'approchent à moins d'un seuil de distance spécifique ($d_{col}$) des agents environnants.
• Confort ($L_{Comf}$) : Réduit les changements brusques de mouvement (à-coups) pour assurer le confort des passagers.

Pour remédier à l'incapacité du modèle de base à prévoir les emplacements futurs des agents (ce qui limite la conscience des collisions lors de l'inférence), les auteurs introduisent une couche d'adaptation légère. Cette couche prédit le mouvement des autres agents routiers pour les pas de temps futurs, permettant une prédiction et une planification conjointes.

2. Guidance de Sécurité au Moment de l'Inférence

Reconnaissant la nature stochastique des modèles de diffusion et le bruit potentiel des capteurs, DriveSafer emploie une stratégie de guidance lors de l'inférence pour rejeter les trajectoires non réalisables :

• Génération d'Hypothèses Alternatives : Le système génère des trajectoires alternatives basées sur le mode prédit principal du modèle de diffusion. Ces alternatives incluent :
  • Des variations de cap et de vitesse (variation de 5 %).
  • Des décalages latéraux de trajectoire inférieurs au mètre.
  • L'utilisation des modes deuxième et troisième les mieux classés du modèle de diffusion.
• Évaluation et Sélection de la Sécurité : En utilisant les positions prédites des agents et la carte sous-jacente, ces trajectoires alternatives sont notées à l'aide de métriques de sécurité. La trajectoire la plus sûre est sélectionnée comme sortie finale, « poussant » efficacement le véhicule à l'écart des comportements dangereux.

Contributions Clés

L'article énonce quatre contributions principales :

1. Cadre DriveSafer : Un cadre d'application de la sécurité centré sur les défaillances pour la planification E2E qui cible les défaillances catastrophiques grâce à une application de la sécurité synergique lors de la formation et de l'inférence.
2. Stratégie de Formation Consciente de la Sécurité : L'introduction de pertes spécialisées (zone de circulation, collision, confort) et d'un module de prévision intégré et léger pour la prédiction et la planification conjointes.
3. Guidage au Moment de l'Inférence : Une méthode qui génère et évalue des trajectoires alternatives pour orienter le planificateur vers des sorties conformes à la sécurité.
4. Amélioration des Performances : Une réduction démontrée des défaillances catastrophiques sur le benchmark NAVSIM par rapport aux modèles de référence de pointe.

Résultats Expérimentaux

Le cadre a été évalué sur le benchmark NAVSIM, spécifiquement le split navtest, qui présente un trafic urbain dense et des scénarios complexes.

• Réduction des Défaillances Catastrophiques : DriveSafer a réduit le nombre de défaillances catastrophiques (PDMS = 0) de 48 % par rapport à la base DiffusionDrive (réduisant les cas de 653 à 340).
• Conformité à la Zone de Circulation : Il y a eu une réduction de >65 % des défaillances de conformité à la zone de circulation (de 448 cas à 154).
• Score PDMS Global : Le modèle a obtenu un score PDMS de 90,3, soit une amélioration de 2,2 points par rapport à la base DiffusionDrive (88,1).
• Sous-métriques : Des améliorations notables ont été observées dans les sous-métriques de conformité à la zone de circulation (DAC) et de progression de l'agent égo (EP).
• Analyse Qualitative : Des exemples visuels démontrent DriveSafer corrigeant des scénarios où le modèle de base conduisait hors route, violait les directions prévues ou entrait en collision avec des piétons et des véhicules en sens inverse.

Importance et Revendications

L'article postule que la praticité de la conduite autonome de bout en bout est actuellement limitée par un nombre significatif de défaillances catastrophiques, indépendamment des métriques de performance moyenne. L'importance de DriveSafer réside dans sa vision centrée sur les défaillances, priorisant l'atténuation des scénarios mettant la vie en danger par rapport aux améliorations marginales de l'erreur de trajectoire moyenne.

Les auteurs affirment que la guidance explicite de la sécurité dans les systèmes E2E devrait viser la réduction directe des cas de défaillances catastrophiques. En combinant des contraintes lors de la formation avec un guidage lors de l'inférence, DriveSafer offre une voie vers un déploiement plus sûr dans le monde réel. Les auteurs déclarent que leur objectif futur est d'étendre DriveSafer pour un déploiement réel sur des véhicules autonomes (AV) afin d'évaluer son impact dans des conditions réelles, avec pour objectif ultime de réduire les défaillances catastrophiques à zéro.