Датасет K-Risk: 31 000 опасных сценариев для обучения беспилотных автомобилей

Исследователи представили датасет K-Risk, который содержит 31 398 высокорисковых дорожных событий, включая 1 036 экстремальных случаев, близких к столкновению. Этот набор данных объединяет траектории движения автомобилей с семантическими аннотациями, созданными большой языковой моделью, и призван восполнить пробел в обучении систем автономного вождения редким, но критически важным ситуациям. K-Risk может стать стандартизированным инструментом для разработки и оценки алгоритмов безопасности беспилотников.

Что такое K-Risk и как он создавался

K-Risk — это структурированный датасет, который объединяет 20 различных наборов данных с траекториями движения как обычных водителей, так и автономных транспортных средств. Данные были собраны в Европе, Китае и США, охватывая автомагистрали, городские скоростные дороги, перекрёстки и кольцевые развязки. С помощью единого конвейера извлечения событий на основе риска исследователи отобрали 31 398 ситуаций, где вероятность столкновения была высокой. Из них 1 036 случаев были классифицированы как экстремальные — те, что почти привели к аварии.

Каждое событие представлено в виде триплета: синхронизированная траектория движения, метаданные (например, скорость, ускорение, тип дороги) и языковое описание, сгенерированное большой языковой моделью. Для репрезентативного подмножества событий дополнительно предоставлен причинно-следственный анализ рисков и рекомендации по действиям, которые были валидированы с помощью замкнутого симулятора с итеративным рефлексированием. Это означает, что аннотации не просто описывают ситуацию, но и объясняют, почему она опасна и какие действия могли бы предотвратить столкновение.

Почему K-Risk важен для автономного вождения

Безопасное автономное вождение требует не только быстрой реакции на распространённые опасные ситуации, такие как резкое торможение впереди идущего автомобиля, но и глубокого осмысления редких, экстремальных сценариев. Проблема в том, что существующие датасеты, используемые для обучения беспилотников, содержат в основном обычные дорожные ситуации. Высокорисковые события, особенно те, что близки к столкновению, встречаются в них крайне редко. Это приводит к тому, что модели машинного обучения плохо обобщают на редкие случаи, что может стать причиной аварий в реальных условиях.

K-Risk восполняет этот пробел, предоставляя стандартизированную основу для разработки и оценки моделей, способных распознавать и реагировать на опасности. Благодаря семантическим аннотациям, созданным LLM, разработчики могут не только тренировать модели на большом количестве рискованных сценариев, но и понимать причинно-следственные связи — почему ситуация опасна и какие действия наиболее эффективны. Это делает датасет особенно ценным для обучения алгоритмов принятия решений в критических ситуациях.

Какие типы опасных сценариев включает K-Risk?

Датасет охватывает широкий спектр высокорисковых событий, включая внезапное появление пешеходов на дороге, резкие перестроения других автомобилей, потерю сцепления с дорогой на скользком покрытии и ситуации, когда водитель или автономная система не успевает среагировать на изменение дорожной обстановки. Экстремальные случаи, близкие к столкновению, составляют около 3% от общего числа событий, но именно они представляют наибольший интерес для исследователей безопасности. Каждое такое событие сопровождается детальным описанием, которое помогает модели понять, какие факторы привели к опасной ситуации и как её можно было избежать.

Кому будет полезен K-Risk

Датасет ориентирован в первую очередь на исследователей и разработчиков систем автономного вождения, особенно тех, кто работает над повышением безопасности в редких и критических сценариях. K-Risk может стать стандартизированным бенчмарком для обучения и оценки моделей, а также для тестирования алгоритмов принятия решений в опасных дорожных ситуациях. Кроме того, он может быть полезен компаниям, разрабатывающим симуляторы для тестирования беспилотников, поскольку предоставляет реалистичные сценарии с высоким риском.

Исследователи, занимающиеся компьютерным зрением и обработкой естественного языка, также могут найти применение K-Risk: датасет сочетает траекторные данные с текстовыми аннотациями, что открывает возможности для мультимодального обучения. Например, можно разрабатывать модели, которые по видеопотоку и текстовому описанию предсказывают риск столкновения.

Что пока остаётся неизвестным

На данный момент авторы не указали точный лицензионный статус датасета и не опубликовали ссылки для скачивания. Это означает, что доступ к данным пока ограничен, и неизвестно, будет ли K-Risk открытым или коммерческим. Также остаётся открытым вопрос о качестве аннотаций, сгенерированных LLM: насколько хорошо они соответствуют реальным действиям водителей в аналогичных ситуациях? Исследователи провели валидацию с помощью симулятора, но для полной уверенности потребуются дополнительные тесты в реальных условиях. Наконец, неясно, как датасет будет поддерживаться и обновляться в будущем — будет ли он пополняться новыми сценариями по мере развития технологий автономного вождения.

Несмотря на эти неопределённости, K-Risk представляет собой значительный шаг вперёд в области безопасного автономного вождения. Предоставляя большое количество размеченных высокорисковых событий, он даёт исследователям инструмент для создания более надёжных и безопасных систем, способных справляться с самыми сложными дорожными ситуациями.