Technisch Overzicht: Realistische Adversariële Scenario-generatie via een Menselijk Lijkend Voetgangersmodel voor AV-Controle-optimalisatie

1. Probleemstelling

De veilige inzet van Autonome Voertuigen (AV's) vereist betrouwbare interactie met kwetsbare weggebruikers, in het bijzonder voetgangers. Hoewel simulatiegebaseerde tests een praktisch alternatief zijn voor kostbare en onveilige tests in de echte wereld, kampen huidige methodologieën met twee primaire beperkingen:

1. Gebrek aan Realisme in Voetgangersmodellen: De meeste simulatieframeworks vertrouwen op regelgebaseerde of deterministische voetgangersmodellen (bijv. standaard CARLA-walkers) die menselijk gedrag te veel versimpelen. Deze modellen slagen er niet in om de natuurlijke inter-individuele (verschillen tussen mensen) en intra-individuele (variabiliteit binnen dezelfde persoon) variabiliteit te vangen, wat leidt tot onrealistische interactiedynamiek.
2. Disconnect tussen Adversariële Testing en Realisme: Adversariële scenario-generatie, gebruikt om veiligheidsgrenzen te testen, geeft vaak prioriteit aan moeilijkheidsgraad boven plausibiliteit. Bestaande methoden (bijv. "suïcidale voetganger" of agressieve jaywalker-modellen) genereren uitgeteerde gedragingen die AV-controllers kunnen dwingen tot overmatige voorzichtigheid, wat resulteert in controllers die niet goed generaliseren naar echte menselijke interacties.

Er bestaat een methodologische kloof: menselijke voetgangersmodellen en adversariële testing zijn grotendeels parallel ontwikkeld. Deze studie adresseert de noodzaak om cognitief geïnspireerde, menselijke voetgangersmodellen te integreren in adversariële testing om gedragsmatig plausibele maar uitdagende scenario's te genereren voor AV-controle-optimalisatie.

2. Methodologie

De studie stelt een framework voor dat wordt geïmplementeerd binnen de CARLA-simulatieomgeving, waarbij het COMMOTIONS voetgangersmodel (Markkula et al., 2023) wordt geïntegreerd met AV-controle-optimalisatie. De methodologie bestaat uit drie kerncomponenten:

2.1. Evaluatie van de Impact van het Voetgangersmodel

De auteurs voerden een vergelijkende studie uit met een 2×2 design:

• Voetgangersmodellen: De standaard regelgebaseerde CARLA-voetganger (WalkerAIController) versus het cognitief geïnspireerde COMMOTIONS-model (dat sensorische, motorische en cognitieve mechanismen integreert met stochastische variabiliteit).
• AV-Controllers: De ingebouwde regelgebaseerde CARLA-planner versus de open-source Autoware autonome rijstack.
• Scenario: Een vereenvoudigde ongecontroleerde zebrapad waar een voetganger bij de stoeprand wacht en de oversteek initieert op basis van Time-to-Arrival (TTA) waarden (6, 10, 14, 18 s).
• Metrieken: Botsingspercentage, gap acceptance rate, Post-Encroachment Time (PET), en plotselinge snelheidsveranderingssnelheid (deceleratie > 2,5 m/s²).

2.2. Generatie van Adversariële Scenario's

Om veiligheidskritische interacties te identificeren zonder terug te vallen op onrealistisch gedrag, gebruikten de auteurs een parameter-TTA zoekopdracht met behulp van Bayesiaanse optimalisatie:

• Doel: Het minimaliseren van de PET voor specifieke voetgangersparameter-sets (die verschillende individuen vertegenwoordigen) door de TTA-triggertijd te variëren binnen [6, 18] s.
• Proces: 100 verschillende voetgangersparameter-sets werden gesampled uit het COMMOTIONS-model. Voor elk individu identificeerde Bayesiaanse optimalisatie de TTA die de laagste PET produceerde.
• Adversariële Definitie: Scenario's waarbij de minimale PET onder de 1,5 s viel, werden geclassificeerd als adversarieel. Dit vertegenwoordigt veiligheidskritische interacties die natuurlijk voortkomen uit menselijke variabiliteit in plaats van geforceerd "suïcidaal" gedrag.

2.3. AV-Controle-optimalisatie

De gegenereerde adversariële scenario's werden gebruikt om een enkele AV-controleparameter te optimaliseren: remweg (de drempelwaarde voor het initiëren van een noodstop).

• Optimalisatiedoel: Het minimaliseren van verloren voertuigtijd (efficiëntie) terwijl aan veiligheidsbeperkingen wordt voldaan: PET ≥ 1,5 s en maximale deceleratie ≤ 2,5 m/s².
• Vergelijkingsbaselines: De optimalisatie werd getest tegen drie scenario-sets:
  1. COMMOTIONS Low-PET: De geïdentificeerde veiligheidskritische, menselijke scenario's.
  2. COMMOTIONS Random: Willekeurig gesamplede TTA-waarden voor dezelfde individuen (ongerichte realisme).
  3. Jaywalker Model: Een regelgebaseerde adversariële baseline (Muktadir en Whitehead, 2022) die bekend staat om agressief, minder plausibel gedrag.

3. Belangrijkste Resultaten

3.1. Impact van Menselijke Modellen op Interactie

• Veiligheid: Het COMMOTIONS-model produceerde nul botsingen in alle geteste condities met beide AV-controllers, terwijl de regelgebaseerde CARLA-voetganger meerdere botsingen veroorzaakte, met name bij gemiddelde TTA's.
• Gedragsrealisme: COMMOTIONS-voetgangers vertoonden gap acceptance patronen die toenamen met de TTA, consistent met menselijke data. In tegen plaats vertoonden CARLA-voetgangers geen duidelijke trend en accepteerden zij gaten onrealistisch vroeg.
• Comfort: Interacties met COMMOTIONS resulteerden in aanzienlijk minder plotselinge snelheidsveranderingen (<20% vs. >80% voor CARLA-voetgangers) en soepelere voertuigdeceleraties.
• Variabiliteit: Het COMMOTIONS-model toonde aan dat onveilige interacties (lage PET) alleen voorkomen bij specifieke individuen onder specifieke timingcondities, wat het belang van zowel inter- als intra-individuele variabiliteit benadrukt.

3.2. Effectiviteit van Adversariële Optimalisatie

• Low-PET Optimalisatie: Het afstemmen van de remweg met behulp van de menselijke adversariële scenario's (Low-PET set) verbeterde de prestaties aanzienlijk:
  • Gemiddelde PET steeg van 2,48 s naar 4,96 s.
  • Minimale PET steeg van 1,05 s naar 1,80 s (waardoor veiligheidskritische interacties werden geëlimineerd).
  • Plotselinge snelheidsveranderingen daalden van 83% naar 17%.
  • Gemiddelde verloren voertuigtijd nam af van 0,12 s naar 0,05 s.
• Random vs. Low-PET: Hoewel random sampling de efficiëntie verbeterde, slaagde het er niet in om veiligheidskritische interacties te elimineren (Min PET bleef op 1,23 s), wat aantoont dat het targeten van specifieke veiligheidskritische gevallen noodzakelijk is voor robuuste optimalisatie.
• Jaywalker Vergelijking: Optimalisatie tegen de agressieve Jaywalker-model verhoogde de gemiddelde PET (5,52 s) maar tegen een hoge prijs: plotselinge snelheidsveranderingen bleven hoog (38%) en de verloren tijd verdubbelde meer dan (0,25 s). Dit geeft aan dat de AV overdreven defensief werd door de onrealistische aard van de adversariële agent.

4. Betekenis en Claims

Het artikel claimt een proof of concept te bieden die aantoont dat het integreren van menselijke weggebruikersmodellen in simulatiegebaseerde adversariële testing de geloofwaardigheid van AV-evaluatie verhoogt en een praktisch fundament biedt voor controller-optimalisatie.

• Overbruggen van Realisme en Stress-testing: De studie demonstreert dat veiligheidskritische scenario's kunnen worden gegenereerd door natuurlijke menselijke variabiliteit (inter- en intra-individueel), in plaats van kunstmatige overdrijving. Dit maakt stress-testing mogelijk die zowel uitdagend als gedragsmatig plausibel is.
• Optimalisatie Waarde: In tegenstelling tot adversariële agents die leiden tot overdreven conservatieve (inefficiënte) AV-gedragingen, maken menselijke adversariële scenario's de optimalisatie van AV-controleparameters mogelijk om een betere balans te vinden tussen veiligheid, comfort en efficiëntie.
• Methodologische Bijdrage: Het werk verenigt cognitief geïnspireerde voetgangersmodellering met adversariële scenario-generatie, wat een end-to-end evaluatiepipeline biedt waarbij voetgangersmodellen en AV-controllers gezamenlijk worden gesimuleerd.

5. Beperkingen en Omvang

De auteurs vermelden expliciet de volgende beperkingen:

• Scenario Complexiteit: De studie is beperkt tot een vereenvoudigd één-op-één zebrapad, zonder de complexiteit van multi-agent stedelijke omgevingen, occlusies en verkeerssignalen.
• Controller Diversiteit: De evaluatie was beperkt tot twee controllers (CARLA en Autoware) en heeft geen deep RL-gebaseerde of commerciële proprietary stacks getest.
• Parameter Omvang: De optimalisatie richtte zich op een enkele parameter (remweg) in plaats van een multi-parameter aanpak die acceleratie, jerk en laterale controle omvat.
• Model Omvang: Hoewel COMMOTIONS perceptuele, motorische en cognitieve variabiliteit vangt, laat het sociale factoren zoals groepsdynamiek, culturele normen en expliciete communicatie (bijv. oogcontact) buiten beschouwing.

Het artikel concludeert dat hoewel dit framework een fundamentele stap is, toekomstig werk vereist is om deze methoden uit te breiden naar complexere omgevingen en diverse controle-architecturen om generaliseerbaarheid te waarborgen.