TRACE: Topology-aware Reconstruction of Accidents in CARLA for AV Evaluation

Riassunto Tecnico: TRACE

Problema (The Problem)

La validazione dei veicoli autonomi (AV) richiede l'esposizione a scenari rari e critici per la sicurezza (safety-critical), che sono estremamente difficili da reperire nei dati di guida quotidiana. Sebbene esistano benchmark per la simulazione, quelli attuali presentano limiti significativi:

1. Bassa fedeltà topologica: Spesso utilizzano geometrie stradali astratte o semplificate che non riflettono la complessità del mondo reale.
2. Scarsa fedeltà delle traiettorie: Le collisioni sono spesso generate sinteticamente, perdendo le dinamiche specifiche e i comportamenti erratici tipici dei veri incidenti.
3. Mancanza di realismo: Molti framework non riescono a catturare la complessità delle intersezioni o le manovre non conformi (es. guida contromano) necessarie per testare la robustezza dei sistemi di percezione e decisione.

Metodologia (Methodology)

Gli autori introducono TRACE, una pipeline automatizzata che trasforma i rapporti sugli incidenti della NHTSA (National Highway Traffic Safety Administration) in simulazioni ad alta fedeltà nel simulatore CARLA. Il processo si articola in tre fasi principali:

1. Estrazione dei Dati (Crash Data Extraction): Un modulo analizza i documenti XML semi-strutturati della NHTSA per estrarre coordinate geografiche, tipo di collisione, condizioni ambientali, topologia stradale e dettagli sui veicoli (velocità, punti di impatto, traiettorie descritte).
2. Ricostruzione della Mappa (Map Reconstruction):
   • Recupero: Utilizza OpenStreetMap (OSM) per ottenere la rete stradale esatta del sito dell'incidente.
   • Conversione: Trasforma i dati OSM nel formato OpenDRIVE richiesto da CARLA.
   • Adattamento Topologico: Poiché CARLA impone restrizioni (es. non permette di attraversare linee continue o guidare contromano), la pipeline unifica i segmenti stradali in oggetti multi-corsia per consentire la riproduzione di manovre "illegali" ma realistiche (come collisioni frontali o strisce laterali).
3. Ricostruzione dello Scenario (Scenario Reconstruction):
   • Stima dello Stato tramite LLM: Poiché i rapporti non forniscono coordinate precise della posizione iniziale dei veicoli, TRACE utilizza un Large Language Model (LLM) per inferire la posizione e l'orientamento iniziale basandosi sulla geometria stradale e sulla descrizione della sequenza degli eventi.
   • Generazione delle Traiettorie: Invece di usare i pianificatori di percorso standard (che eviterebbero manovre pericolose), la pipeline genera waypoint specifici che guidano i veicoli verso il punto di impatto riportato, rispettando la velocità e la direzione descritte.

Contributi Chiave (Key Contributions)

• Pipeline Automatica: Un sistema end-to-end che passa dai dati grezzi dei rapporti di polizia a scenari di simulazione pronti all'uso.
• Integrazione di LLM per il Reasoning: L'uso di modelli linguistici per colmare le lacune informative dei rapporti testuali, trasformando descrizioni qualitative in dati quantitativi (coordinate Cartesiane).
• Benchmark Open-Source: La creazione di un dataset curato di 52 scenari di incidenti reali, corredato dai relativi rapporti originali, mappe e file di simulazione.

Risultati (Results)

Dalla selezione iniziale di 100 rapporti, la pipeline ha prodotto un benchmark di 52 scenari verificati. L'analisi della copertura mostra una grande diversità basata sulla classificazione FARS (Fatality Analysis Reporting System):

• Tipi di collisione: Include impatti frontali (23), angolari (19), frontali-posteriori (3) e strisce laterali (2).
• Topologie stradali: Copre segmenti stradali non intersezionali (36), intersezioni a T (8) e intersezioni a quattro vie (8).
• Traiettorie: Include veicoli che viaggiano in direzioni opposte (27), manovre di svolta (9) e percorsi intersecanti (7).

Significato e Applicazioni (Significance)

TRACE offre un nuovo standard per il testing degli AV, spostando l'attenzione dalla guida ordinaria alla gestione dei "casi limite" (long-tail events). I suoi utilizzi principali sono:

1. Test di collision avoidance: Valutare la capacità dei sistemi di evitare impatti reali.
2. Stress test di percezione e predizione: Testare come i sensori e gli algoritmi di previsione gestiscono intersezioni complesse o veicoli con traiettorie erratiche.
3. Generazione automatizzata di test-case: Fornire dati realistici per l'addestramento di componenti di machine learning che devono operare in scenari ad alto rischio.