तकनीकी सारांश: ScenePilot

समस्या विवरण (Problem Statement)

स्वायत्त ड्राइविंग (AV) प्रणालियों के मूल्यांकन के लिए सुरक्षा-महत्वपूर्ण परिदृश्य (safety-critical scenarios) आवश्यक हैं, लेकिन प्राकृतिक ड्राइविंग लॉग्स में ये अत्यंत दुर्लभ होते हैं, जिसके लिए सिमुलेशन-आधारित स्ट्रेस टेस्टिंग की आवश्यकता होती है। मौजूदा परिदृश्य पीढ़ी विधियाँ आमतौर पर आसपास के एजेंटों को टकराव (collision) उत्पन्न करने के लिए प्रशिक्षित विरोधियों के रूप में मानती हैं। हालाँकि, इन दृष्टिकोणों की दो प्राथमिक सीमाएँ हैं:

1. भौतिक अमान्यता (Physical Invalidity): वे विधियाँ जो वाहन-सड़क की भौतिक सीमाओं को स्पष्ट रूप से मॉडल नहीं करती हैं, अक्सर "दृश्यात्मक रूप से चरम" (visually extreme) लेकिन भौतिक रूप से असंभव क्रैश उत्पन्न करती हैं (जैसे, अनंत मंदन/deceleration की आवश्यकता)। ये विफलताएं स्वायत्तता स्टैक की वास्तविक कमियों को उजागर करने के बजाय केवल संख्यात्मक मजबूती (numerical robustness) का परीक्षण करती हैं।
2. एकल बाधाओं पर अत्यधिक निर्भरता (Over-Reliance on Single Constraints):
   • भौतिकी-बाधित विधियाँ (Physics-constrained methods) एजेंटों को भौतिक रूप से साध्य व्यवहारों तक सीमित रखती हैं, लेकिन अक्सर भौतिक सीमाओं के पास चरम सीमा-पुश करने वाले युद्धाभ्यास (maneuvers) पर केंद्रित हो जाती हैं, जिससे उन अंतःक्रियाओं का व्यापक क्षेत्र छूट जाता है जो भौतिक रूप से हल करने योग्य हैं फिर भी AV विफलताओं का कारण बनती हैं।
   • नीति-बाधित विधियाँ (Policy-constrained methods) पीढ़ी को एक विशिष्ट नियंत्रक की क्षमता की सीमा की ओर मोड़ती हैं। हालांकि यह एक विशिष्ट स्टैक के निदान के लिए उपयोगी है, लेकिन यह पीढ़ी को एक नियंत्रक-निर्भर सीमा तक सीमित कर देती है और यह बताने में विफल रहती है कि AV पर्यावरण की मौलिक भौतिक सीमाओं के कितने करीब संचालित हो रहा है।

यह शोध पत्र तर्क देता है कि सबसे सूचनात्मक क्षेत्र "बाउंडरी बैंड" (boundary band) है: ऐसे परिदृश्य जो सिद्धांत रूप में भौतिक रूप से हल करने योग्य हैं (टकराव से बचने के लिए स्वीकार्य गतिकी मौजूद है) लेकिन फिर भी AV के विशिष्ट सीमाओं के कारण AV स्टैक को विफल करते हैं।

कार्यप्रणाली: ScenePilot

ScenePilot एक व्यवहार्यता-निर्देशित (feasibility-guided), बाउंड्री-संचालित ढांचा है जिसे इस बाउंड्री बैंड को लक्षित करने के लिए डिज़ाइन किया गया है। यह परिदृश्य पीढ़ी को सुदृढीकरण सीखने (Reinforcement Learning - RL) का उपयोग करके एक बाधा-युक्त बहु-उद्देश्यीय मार्कोव निर्णय प्रक्रिया (MDP) के रूप में स्वरूपित करता है।

1. द्वि-संकेत स्वरूपण (Dual-Signal Formulation)

यह ढांचा भौतिक व्यवहार्यता को AV नीति क्षमता से दो प्रति-चरण संकेतों का उपयोग करके अलग करता है:

• भौतिक व्यवहार्यता स्कोर ($\sigma$): यह रिस्पॉन्सिबिलिटी-सेंसिटिव सेफ्टी (RSS) मॉडल के भौतिकी-सीमा संस्करण से प्राप्त होता है। मानक RSS के विपरीत, जिसमें रूढ़िवादी प्रतिक्रिया समय शामिल होता है, यह संस्करण अधिकतम व्यवहार्य मंदन (maximal feasible deceleration) के आधार पर सैद्धांतिक ब्रेकिंग-लिमिट दूरी की गणना करता है।
  • $\sigma \geq 0$: फ्रेम भौतिक रूप से व्यवहार्य है (स्वीकार्य ब्रेकिंग/स्टीयरिंग के माध्यम से टकराव टाला जा सकता है)।
  • $\sigma < 0$: फ्रेम भौतिक रूप से अव्यावहारिक है (टकराव अपरिहार्य है)।
  • स्कोर लंबवत (longitudinal) और पार्श्व (lateral) मार्जिन को जोड़ता है, वाहन की ज्यामिति और टाइम-टू-कोलिजन (TTC) को ध्यान में रखते हुए, यह निर्धारित करने के लिए कि क्या ऑर्थोगोनल युद्धाभ्यास टकराव को रोक सकते हैं।
• AV-जोखिम प्रेडिक्टर ($\Phi$): एक ऑनलाइन-सीखा गया, हल्का क्रिटिक नेटवर्क, जो ईगो वाहन के तात्कालिक सुरक्षा जोखिम का अनुमान लगाता है। इसे पोटेंशियल-बेस्ड रिवॉर्ड शेपिंग के माध्यम से प्रशिक्षित किया गया है ताकि एक विशिष्ट नियंत्रक की नीति से स्वतंत्र, टकराव की संभावना का एक सघन (dense) और अवकलनीय (differentiable) संकेत प्रदान किया जा सके।

2. बाधित बहु-उद्देश्यीय अनुकूलन (Constrained Multi-Objective Optimization)

लक्ष्य AV जोखिम ($J_\phi$) को अधिकतम करना है जबकि भौतिक व्यवहार्यता ($J_\sigma \geq \epsilon$) बनाए रखना है। इसे इस प्रकार स्वरूपित किया गया है:
$$\max_{\pi} J_\phi(\pi) \quad \text{s.t.} \quad J_\sigma(\pi) \geq \epsilon$$
जहाँ $\epsilon$ एक नियंत्रण चर है जो व्यवहार्यता थ्रेशोल्ड को स्वीप (sweep) करता है।

3. प्रमुख तंत्र (Key Mechanisms)

• चरण-स्तरीय व्यवहार्यता-जागरूक शील्डिंग (Step-Level Feasibility-Aware Shielding): यह रोकने के लिए कि नीति भौतिक रूप से अव्यावहारिक क्षेत्रों में न जाए या निकट-सीमा उल्लंघन को अनदेखा न करे, लेखक एक शील्डिंग मास्क पेश करते हैं। यदि व्यवहार्यता उल्लंघन मौजूद है या आसन्न है ($h_t > 0$), तो पॉलिसी अपडेट व्यवहार्यता लाभ ($A_\sigma$) को प्राथमिकता देता है; अन्यथा, यह जोखिम ($A_\phi$) के लिए अनुकूलन करता है। यह सुनिश्चित करता है कि एजेंट बाउंड्री के पास रहे बिना भौतिक रूप से असंभव आर्टिफैक्ट्स में गिरे।
• व्यवहार्यता-थ्रेशोल्ड स्वीपिंग (Feasibility-Threshold Sweeping): सिस्टम $\epsilon$ के लिए एक गॉसियन-आकार का शेड्यूल नियोजित करता है, जो भौतिक सीमा के पास से शुरू होकर धीरे-धीरे मार्जिन बढ़ाता है। यह एजेंट को एक एकल संकीर्ण चरम युद्धाभ्यास के बजाय बाउंड्री बैंड के एक स्पेक्ट्रम का पता लगाने की अनुमति देता है।

मुख्य योगदान (Key Contributions)

1. बाउंड्री-बैंड स्वरूपण: एक नवीन स्वरूपण जो भौतिक व्यवहार्यता को AV नीति क्षमता से अलग करता है, स्पष्ट रूप से उस क्षेत्र को लक्षित करता है जहाँ अंतःक्रियाएं भौतिक रूप से हल करने योग्य हैं लेकिन नीति-अव्यावहार्य हैं।
2. बाधित प्रतिकूल जनरेटर (Constrained Adversarial Generator): एक बहु-उद्देश्यीय RL ढांचा जो एक भौतिकी-व्युत्पन्न स्कोर ($\sigma$) और एक ऑनलाइन-सीखे गए जोखिम प्रेडिक्टर ($\Phi$) को जोड़ता है, जो स्टेप-लेवल शील्डिंग और थ्रेशोल्ड स्वीपिंग का उपयोग करके नमूनों को निकट-बाउंड्री व्यवहार्य बैंड में केंद्रित करता है।
3. अनुभवजन्य सत्यापन: यह प्रदर्शित करना कि ScenePilot भौतिक रूप से वैध रहते हुए उच्च टकराव दर (Collision Rate) वाले परिदृश्य उत्पन्न करता है, और इन परिदृश्यों पर प्रतिकूल फाइन-ट्यूनिंग लगातार डाउनस्ट्रीम मजबूती में सुधार करती है।

प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग CARLA सिम्युलेटर के भीतर SafeBench बेंचमार्क पर आयोजित किए गए।

• सुरक्षा-महत्वपूर्णता (Safety-Criticality): अत्याधुनिक बेसलाइनों (जिसमें Learning-to-Collide, AdvSim, ChatScene, और SCENGE शामिल हैं) की तुलना में, ScenePilot ने आठ बेस ट्रैफिक परिदृश्यों में उच्चतम औसत कोलिजन रेट (CR) 0.893 और निम्नतम ओवरऑल स्कोर (OS) 0.476 प्राप्त किया।
• हस्तांतरणीयता (Transferability): उत्पन्न परिदृश्य विषम AV स्टैक, जिनमें CARLA Autopilot, AIM-BEV, TransFuser, BehaviorAgent, और विभिन्न डीप RL कंट्रोलर (SAC, PPO, TD3) शामिल हैं, में प्रभावी रहे। ScenePilot ने अनप्रोटेक्टेड लेफ्ट-टर्न परिदृश्य पर औसत CR को 0.380 (बेसलाइन KING) से बढ़ाकर 0.490 कर दिया।
• भौतिक वैधता (Physical Validity): विश्लेषण से पता चला कि ScenePilot ने ChatScene की तुलना में काफी कम भौतिक रूप से अमान्य फ्रेम उत्पन्न किए, जिससे पुष्टि होती है कि इसकी विफलताएं भौतिक रूप से असंभव व्यवहारों पर निर्भर नहीं हैं।
• डाउनस्ट्रीम उपयोगिता (Downstream Utility): ScenePilot-जनित परिदृश्यों का उपयोग करके ईगो पॉलिसी की एडवर्सरियल फाइन-ट्यूनिंग ने डाउनस्ट्रीम कोलिजन रेट को 0.854 (प्री-ट्रेन्ड) से घटाकर 0.072 कर दिया, जो अन्य जनरेटर्स के परिदृश्यों की तुलना में बेहतर प्रदर्शन करता है।
• कवरेज (Coverage): इस पद्धति ने बेसलाइनों की तुलना में "भौतिक रूप से व्यवहार्य लेकिन AV-अव्यावहार्य" गैप बैंड के एक बड़े हिस्से (गैप कवरेज स्कोर द्वारा मापा गया) को कवर किया, जिससे अत्यधिक हल्के या चरम शासन में गिरने से बचा जा सका।

महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि ScenePilot स्वायत्त ड्राइविंग के लिए एक अधिक कठोर मूल्यांकन उपकरण प्रदान करता है क्योंकि यह क्षमता अंतराल (competence gaps) को अलग करता है—ऐसी विफलताएं जो वर्तमान स्वायत्तता स्टैक की सीमाओं से उत्पन्न होती हैं न कि अनिवार्य भौतिक बाधाओं से। "बाउंड्री बैंड" पर ध्यान केंद्रित करके, यह विधि ऐसे परिदृश्य उत्पन्न करती है जो हैं:

• सूचनात्मक: वे वास्तविक एल्गोरिथम कमजोरियों को प्रकट करते हैं न कि केवल संख्यात्मक एज केस को।
• कार्रवाई योग्य: वे लक्षित प्रशिक्षण डेटा प्रदान करते हैं जो तैनात प्रणालियों की मजबूती में सुधार करता है।
• सामान्यीकरण योग्य: वे विविध कंट्रोलर आर्किटेक्चर में चुनौतीपूर्ण बने रहते हैं।

लेखक इस कार्य को व्यवस्थित सुरक्षा आश्वासन की दिशा में एक कदम के रूप में देखते हैं जो केवल विफलता को अधिकतम करने से आगे बढ़कर भौतिक संभावना और एल्गोरिथम क्षमता के बीच के सूक्ष्म स्थान का पता लगाता है।