Sicherheitskritische Szenarien sind unerlässlich für das Training und die Evaluierung autonomer Fahrsysteme (AD), bleiben jedoch in realen Fahrdatensätzen äußerst selten. Um dies zu adressieren, schlagen wir die Real-World Crash Grounding (RCG) vor, ein Szenario-Generierungsframework, das unfallinformierte Semantiken in adversariale Perturbationspipelines integriert. Wir konstruieren eine sicherheitsbewusste Verhaltensdarstellung durch kontrastives Pre-Training auf großen Fahrprotokollen, gefolgt von Fine-Tuning auf einem kleinen, unfallreichen Datensatz mit ungefähren Trajektorienannotations, die aus Videos extrahiert wurden. Dieses Embedding erfasst die semantische Struktur, die mit realen Unfallverhalten übereinstimmt und unterstützt die Auswahl von Gegnertrajektorien, die sowohl hohes Risiko als auch verhaltensrealistisch sind. Wir integrieren den resultierenden Auswahlmechanismus in zwei vorherige Szenario-Generierungspipelines und ersetzen deren handgefertigte Bewertungsziele durch ein embeddungsbasiertes Kriterium. Experimentelle Ergebnisse zeigen, dass Ego-Agenten, die gegen diese generierten Szenarien trainiert wurden, durchweg höhere Erfolgsraten im Folgeziel erreichen, mit einer durchschnittlichen Verbesserung von 9,2% über sieben Evaluierungseinstellungen. Qualitative und quantitative Analysen zeigen weiter, dass unser Ansatz plausiblere und differenziertere Gegnerverhalten erzeugt, was realistischere und effektivere Stresstests für AD-Systeme ermöglicht. Code und Tools werden öffentlich bereitgestellt.
Stoler et al. (Mon,) haben diese Frage untersucht.