Resumo Técnico: DriveSafer

Declaração do Problema

Embora os modelos de condução autónoma de ponta a ponta (E2E) tenham demonstrado capacidades crescentes em benchmarks complexos, continuam propensos a um número significativo de falhas catastróficas em cenários críticos para a segurança. Os autores observam que muitas dessas falhas decorrem de violações de restrições físicas e requisitos de segurança, levando a comportamentos inseguros, como colisões, saída de regiões permitidas ou desvios da direção pretendida.

As métricas de avaliação atuais, como o erro de distância L2 em relação às trajetórias de referência (ground truth), frequentemente mascaram essas falhas críticas. Um modelo pode alcançar desempenho de última geração em métricas de erro de trajetória e, ainda assim, exibir comportamentos perigosos e "cegos". O artigo argumenta que melhorias médias na qualidade do planeamento são insuficientes; o principal desafio é a "cauda longa" de falhas catastróficas (definidas como uma Pontuação de Modelo de Condutor Preditivo, ou PDMS, de 0). Essas falhas incluem:

1. Colisões com objetos em movimento (veículos ou peões).
2. Saída da região de condução permitida (por exemplo, para passeios).
3. Desvios significativos da direção de condução pretendida.

Metodologia

Os autores propõem o DriveSafer, um quadro de segurança consciente de falhas, concebido para orientar explicitamente os planeadores generativos E2E para comportamentos seguros. O quadro opera sobre um modelo base, DiffusionDrive, e introduz a aplicação de segurança através de duas fases sinérgicas:

1. Treino Consciente de Segurança

O DriveSafer modifica o objetivo de treino, incorporando funções de perda especializadas, informadas pela física e conscientes da segurança, juntamente com a perda base ($L_{base}$). A perda total é definida como:
$$L_{total} = L_{base} + \lambda_{DAC}L_{DAC} + \lambda_{Col}L_{Col} + \lambda_{Comf}L_{Comf}$$

• Conformidade com a Área de Condução ($L_{DAC}$): Penaliza trajetórias previstas que saem da máscara da área de condução derivada do mapa subjacente.
• Evitação de Colisões ($L_{Col}$): Penaliza trajetórias que se aproximam de agentes circundantes dentro de um limiar de distância específico ($d_{col}$).
• Conforto ($L_{Comf}$): Reduz mudanças súbitas de movimento (jerk) para garantir o conforto dos passageiros.

Para abordar a incapacidade do modelo base de prever as localizações futuras dos agentes (o que limita a consciência de colisões durante a inferência), os autores introduzem uma camada adaptadora leve. Esta camada prevê o movimento de outros agentes rodoviários para passos de tempo futuros, permitindo a previsão e o planeamento conjuntos.

2. Orientação de Segurança no Tempo de Inferência

Reconhecendo a natureza estocástica dos modelos de difusão e o ruído potencial dos sensores, o DriveSafer emprega uma estratégia de orientação durante a inferência para rejeitar trajetórias inviáveis:

• Geração de Hipóteses Alternativas: O sistema gera trajetórias alternativas com base no modo previsto superior do modelo de difusão. Estas alternativas incluem:
  • Variações na direção e velocidade (variação de 5%).
  • Deslocamentos laterais de trajetória inferiores a um metro.
  • Utilização dos modos classificados em segundo e terceiro lugar do modelo de difusão.
• Avaliação e Seleção de Segurança: Utilizando as posições previstas dos agentes e o mapa subjacente, estas trajetórias alternativas são avaliadas utilizando métricas de segurança. A trajetória mais segura é selecionada como saída final, "empurrando" efetivamente o veículo para longe de comportamentos inseguros.

Contribuições Principais

O artigo delineia quatro contribuições primárias:

1. Quadro DriveSafer: Um quadro de aplicação de segurança centrado em falhas para planeamento E2E que visa falhas catastróficas através da aplicação de segurança sinérgica durante o treino e a inferência.
2. Estratégia de Treino Consciente de Segurança: A introdução de perdas especializadas (área de condução, colisão, conforto) e um módulo de previsão integrado e leve para previsão e planeamento conjuntos.
3. Orientação no Tempo de Inferência: Um método que gera e avalia trajetórias alternativas para orientar o planeador para saídas conformes com a segurança.
4. Melhoria de Desempenho: Uma redução demonstrada em falhas catastróficas no benchmark NAVSIM em comparação com bases de referência de última geração.

Resultados Experimentais

O quadro foi avaliado no benchmark NAVSIM, especificamente na divisão navtest, que apresenta tráfego urbano denso e cenários complexos.

• Redução de Falhas Catastróficas: O DriveSafer reduziu o número de falhas catastróficas (PDMS = 0) em 48% em comparação com a base de referência DiffusionDrive (reduzindo os casos de 653 para 340).
• Conformidade com a Área de Condução: Houve uma redução de >65% nas falhas de conformidade com a área de condução (de 448 casos para 154).
• Pontuação Global PDMS: O modelo alcançou uma pontuação PDMS de 90,3, uma melhoria de 2,2 pontos sobre a base de referência DiffusionDrive (88,1).
• Sub-métricas: Foram observadas melhorias notáveis nas sub-métricas de Conformidade com a Área de Condução (DAC) e Progresso do Ego (EP).
• Análise Qualitativa: Exemplos visuais demonstram o DriveSafer a corrigir cenários onde o modelo base conduzia fora da estrada, violava direções pretendidas ou colidia com peões e veículos em sentido contrário.

Significado e Alegações

O artigo postula que a praticidade da condução autónoma E2E é atualmente limitada por um número significativo de falhas catastróficas, independentemente das métricas de desempenho médio. O significado do DriveSafer reside na sua visão centrada em falhas, priorizando a mitigação de cenários que ameaçam a vida em detrimento de melhorias marginais no erro médio de trajetória.

Os autores afirmam que a orientação de segurança explícita em sistemas E2E deve ser orientada para a redução direta de casos de falhas catastróficas. Ao combinar restrições durante o treino com orientação no tempo de inferência, o DriveSafer oferece um caminho para uma implementação mais segura no mundo real. Os autores declaram que o seu objetivo futuro é estender o DriveSafer para implementação em veículos autónomos (AVs) no mundo real, a fim de avaliar o seu impacto em condições reais, com o objetivo final de reduzir as falhas catastróficas a zero.