Bridging Simulation and Usability: A User-Friendly Framework for Scenario Generation in CARLA

Dit paper introduceert een gebruiksvriendelijk, no-code raamwerk met een grafische interface voor het genereren van verkeersscenario's in CARLA, waardoor de toegankelijkheid van simulatiegebaseerde validatie voor autonoom rijden wordt vergroot zonder dat programmeerkennis vereist is.

De kern

Stel je voor dat je een nieuwe, zelfrijdende auto wilt bouwen. Je wilt er zeker van zijn dat deze auto veilig is voordat je hem op de openbare weg zet. Maar hoe test je dat?

Je kunt niet gewoon miljoenen kilometers rijden in de echte wereld; dat is te duur, te langzaam en te gevaarlijk. Als de auto een fout maakt, kan dat levens kosten. Daarom gebruiken onderzoekers simulatoren: virtuele werelden waar ze de auto kunnen laten rijden in duizenden verschillende situaties, zonder risico.

Maar hier zit een probleem: tot nu toe was het maken van die "virtuele testritten" (scenario's) als het bouwen van een huis zonder blauwdruk, maar alleen met een ingewikkelde programmeertaal. Alleen programmeurs konden die tests maken. Als een verkeersbeleidmaker of een veiligheidsdeskundige een specifieke situatie wilde testen (bijvoorbeeld: "wat gebeurt er als een fietser plotseling de weg oprijdt in de regen?"), moesten ze eerst een programmeur inhuren.

De oplossing uit dit paper: Een "Lego-blokje" voor zelfrijdende auto's

De auteurs van dit paper hebben een nieuwe tool gemaakt voor de populaire simulator CARLA. Ze noemen het een "gebruiksvriendelijk raamwerk" (framework), maar laten we het zien als een interactief bouwspel waar je geen programmeerkennis voor nodig hebt.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Supermarkt" van Kaarten

Stel je voor dat je een bordspel wilt spelen. Eerst kies je het speelbord. In deze tool kun je kiezen uit verschillende virtuele steden (kaarten).

• De slimme truc: De tool vertelt je niet alleen hoe groot het bord is, maar ook hoeveel kruispunten, stoplichten en zebrapaden erop staan. Zo weet je direct: "Ah, dit bord is perfect om te testen hoe de auto omgaat met drukke voetgangers."

2. Het "Zoom-in" Speelgebied

Je hoeft niet het hele stadscentrum te testen. Misschien wil je alleen testen hoe de auto reageert op een specifiek kruispunt.

• De analogie: Je gebruikt een digitale "schaar" om precies dat stukje weg uit te knippen waar je mee wilt spelen. De tool zorgt er dan voor dat de weg er logisch uitziet, alsof je een stukje uit een puzzel hebt gehaald.

3. De Poppenkast (Actors)

Nu komt het leuke deel: het vullen van je scenario.

• Geen code, maar klikken: In plaats van code te schrijven, klik je op een knop en kies je: "Voeg een vrachtwagen toe" of "Voeg een fietser toe".
• De "Geest" van de poppen: Je kunt ook instellen hoe ze zich gedragen. Wil je dat de vrachtwagen snel rijdt? Of dat de fietser een beetje slordig is en niet precies in het midden van de rijbaan blijft? Je kunt dit allemaal met schuifbalkjes regelen. Het is alsof je poppenkastpoppen een persoonlijkheid geeft.

4. De "Wolkendrukker" (Automatische Testen)

Dit is misschien wel het coolste deel. Stel, je wilt weten of de auto veilig is in alle mogelijke situaties. Dat zijn er te veel om één voor één te maken.

• De magische dobbelsteen: De tool heeft een "automatische modus". Je zegt: "Maak 1000 willekeurige scenario's." De computer pakt dan willekeurig een kaart, een weer (regen, mist, nacht), en gooit willekeurige auto's en fietsers op de weg. Het is alsof je een dobbelsteen gooit om te zien wat er gebeurt, maar dan in duizenden seconden in plaats van duizenden jaren.

5. Direct Kijken (Live Stream)

Zodra je je scenario hebt ontworpen, kun je direct kijken wat er gebeurt.

• De analogie: Het is alsof je een film hebt geschreven, en je kunt direct de première zien zonder naar de bioscoop te hoeven gaan. Je ziet vanuit een vogelperspectief hoe de auto reageert op jouw scenario. Als het niet goed gaat, klik je op "stop", pas je iets aan en probeer je het opnieuw.

Waarom is dit belangrijk?

Vroeger was het maken van tests voor zelfrijdende auto's als het bouwen van een raket: alleen ingenieurs met een PhD in wiskunde konden het doen. Met deze tool kan iedereen meedoen. Een beleidsmaker, een leraar, of een veiligheidsambtenaar kan nu zelf een scenario bedenken en testen: "Hoe doet de auto het als een hond over de weg rent?"

Kort samengevat:
Deze paper introduceert een tool die de complexe, technische wereld van het testen van zelfrijdende auto's omtovert tot een speelgoedkist. Het maakt het mogelijk om veilig, snel en voor iedereen toegankelijk te testen of onze toekomstige auto's echt veilig zijn, zonder dat je hoeft te kunnen programmeren. Het is de brug tussen de droge theorie en de veilige praktijk.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Bridging Simulation and Usability: A User-Friendly Framework for Scenario Generation in CARLA", geschreven in het Nederlands.

Probleemstelling

De validatie van autonoom rijden (AD) is een kritieke uitdaging. Real-world testen is duur, tijdrovend en ethisch problematisch, vooral omdat het testen van veiligheidskritieke systemen op openbare wegen grote risico's met zich meebrengt. Simulatie biedt een schaalbaar alternatief, maar de huidige tools voor scenario-generatie (het ontwerpen van verkeerssituaties om AD-systemen te testen) hebben een hoge drempel.

• Bestaande tools: Frameworks zoals Scenic of OpenSCENARIO vereisen programmeerkennis of diepgaande technische expertise.
• Gevolg: Domeinexperts (zoals beleidsmakers, veiligheidsanalisten en niet-technische ingenieurs) kunnen niet direct bijdragen aan het scenario-ontwerp. Dit beperkt de integratie van waardevolle domeinkennis in het validatieproces en maakt het moeilijk om diverse, realistische testcases te genereren zonder codeerwerk.

Methodologie

De auteurs presenteren een interactief, geen-code (no-code) framework dat is geïntegreerd met de open-source simulator CARLA. De kern van de methode is een grafische interface die volledig gebaseerd is op een grafische representatie van scenario's.

De methodologische pijlers zijn als volgt:

1. Data Management en Kaartintegratie:

   • Het framework gebruikt OpenDRIVE-kaarten (de industriestandaard voor hoogwaardige simulaties) in plaats van ruwe bestanden.
   • Tijdens een initialisatiefase worden semantische metadata (rijstroken, kruispunten, verkeerslichten, snelheidslimieten) en assets (NPC-blueprints, weerinstellingen) uit de kaarten gehaald en opgeslagen in lichte JSON-bestanden. Dit maakt offline scenario-generatie mogelijk zonder dat de simulator continu draait.

2. Grafische Representatie van de Wereld:

   • In plaats van rasterafbeeldingen (die gevoelig zijn voor rotatie en moeilijk te interpreteren zijn), wordt de kaart gemodelleerd als een gerichte graaf $G = \{N, E\}$.
   • Knopen (Nodes): Vertegenwoordigen geldige spawn-punten voor voertuigen en voetgangers.
   • Randen (Edges): Vertegenwoordigen de topologie van het wegennet (opvolgers, links/rechts relaties).
   • Voor voetgangers wordt een ongerichte graaf gebruikt om hun flexibele beweging langs stoepen en oversteekplaatsen te modelleren.

3. Interactieve ROI-Selectie (Region of Interest):

   • Gebruikers selecteren een startgebied op de kaart en kunnen dit iteratief uitbreiden door alleen aangrenzende subgrafen toe te voegen. Dit garandeert een logisch samenhangend testgebied.
   • Het systeem ondersteunt zowel korte scenario's (lokale, kritieke interacties) als lange scenario's (routeplanning over grotere afstanden).

4. Scenario Configuratie en Generatie:

   • Handmatige modus: Gebruikers kunnen via de GUI omgevingsfactoren (weer, tijdstip), actor-types (voertuigen, voetgangers, fietsers) en hun dynamische parameters (snelheid, afwijking van de rijstrook) instellen.
   • Automatische modus: Het framework kan scenario's genereren door parameters (actor-types, gedrag, omstandigheden) willekeurig te bemonsteren binnen de gedefinieerde graafstructuur.
   • Deep Learning Integratie: De grafische structuur is ontworpen om naadloos te integreren met deep-learning-methoden voor gedragsgeneratie en scenario-creatie.

Belangrijkste Bijdragen

• Gebruiksvriendelijkheid: Een volledig visueel framework dat scenario's mogelijk maakt zonder programmeerkennis, waardoor een bredere groep stakeholders (beleid, veiligheidsexperts) kan participeren.
• Grafische Representatie: Een nieuwe manier om scenario's te modelleren via een graafstructuur die zowel handmatige als geautomatiseerde generatie ondersteunt en compatibel is met moderne AI-methoden.
• Geïntegreerde Workflow: Een naadloze cyclus van kaartselectie, ROI-definitie, actor-plaatsing, simulatie-executie en real-time feedback binnen één interface.
• Open Source & Extensibiliteit: Het framework is gebouwd rondom CARLA en OpenDRIVE, wat zorgt voor breedte en compatibiliteit met bestaande infrastructuur.

Resultaten en Evaluatie

• Realisatie en Validatie: Het framework is succesvol getest door gedefinieerde scenario's (zowel overdag als 's nachts, met verschillende weersomstandigheden) te vertalen naar uitvoerbare simulaties in CARLA.
• Visuele Consistentie: Er is een directe koppeling tussen de configuratie in de GUI en de uitvoering in de simulator, wat zorgt voor visuele en gedragsmatige consistentie.
• Live Feedback: Een unieke functie is de live streaming van de simulatie vanuit een vogelperspectief direct in de interface. Dit stelt gebruikers in staat om gedrag direct te evalueren en afwijkingen te identificeren zonder de applicatie te verlaten.
• Iteratief Proces: Gebruikers kunnen scenario's na simulatie direct aanpassen en opnieuw uitvoeren, wat de validatie-efficiëntie verhoogt.

Significantie

Dit onderzoek vult een cruciale kloof in het veld van autonoom rijden:

1. Democratisering van Validatie: Het maakt scenario-based testing toegankelijk voor niet-technici, wat essentieel is voor het integreren van maatschappelijke en beleidsmatige eisen in technische validatie.
2. Efficiëntie: Het elimineert de noodzaak voor scripting en versnelt het ontwerpproces van testscenario's.
3. Toekomstbestendigheid: Door de grafische structuur en de ondersteuning voor deep-learning-integratie, is het framework klaar voor de volgende generatie datagedreven validatiemethoden.
4. Veiligheid: Door het gemakkelijker maken van het genereren van diverse en zeldzame "edge cases" (zoals onvoorspelbaar voetgangersgedrag), draagt het bij aan robuustere en veiligere autonome voertuigen.

Kortom, dit framework biedt een brug tussen complexe simulatietechnologie en praktische, breed toepasbare validatie, wat essentieel is voor de veilige implementatie van autonoom rijden.