一种自动驾驶系统场景风险量化方法

一种自动驾驶系统场景风险量化方法

案例研究

**在本节中，我们将提供一个案例研究，来说明对切入场景的风险进行量化的方法。**首先，我们将描述切入场景和用例，接下来，将会呈现计算风险的实际系统。在这两个步骤之后，我们将介绍我们提出的方法步骤。

附赠自动驾驶最全的学习资料和量产经验：链接

切入场景和用例

我们想要量化切入场景的风险，语言描述如下：当自车在保持其车道的情况下以中高速行驶时，另一辆车进入了自车的车道，这样这辆车就成为了自车的前车。此外，自车需要刹车以防止碰撞。

为了量化风险，我们收集了60小时的数据(参见[9])，方法是让20名不同的司机在荷兰埃因霍温和赫尔蒙德之间的一条特定路线上行驶，每个人行驶两次。因此，我们假设AD系统的用例在这条道路上运行。我们将使用这些数据来评估风险。因此，我们将使用以下假设：

**假设1：**被记录的自然驾驶数据代表了装有AD系统的车辆在同一路线上可能遇到的情况。

被测系统

为了减少评估的工作量，通常采用仿真。然而，即使是仿真也会消耗相当多的时间，因为这些仿真可能是实时运行的[20]，或者在使用更高层次的细节时运行得更慢[21]。**对于我们的方法，我们将简化仿真，以便在普通计算机上所需的总时间以分钟为数量级。**由于我们对近似结果感兴趣，因此不需要高度的细节。

为了简化被测系统，假设系统的期望加速度类似于[9]中定义的自适应巡航控制，即:

与

这里，v是自车的速度，d表示自车与其前车(即执行切入的车辆)之间的间隙。相对速度用d˙表示，a表示自车的加速度。自车的建模采用一阶时滞模型，即:

此外，减速度被限制在  。方程式常数的描述(11)至(13)列于表2中。控制器运行频率为100hz。

注意这里没有人的干预：

**假设2：**自车完全由方程式(11)和(12)定义的自动化系统控制，因此没有人的干预。

表2:用于简单方程式(11)至(13)自动化系统的常数

暴露率计算

切入场景受制于以下条件：

● C1: 自车车速在60公里/小时到130公里/小时之间；

● C2: 不受天气条件限制；

● C3: 对照明条件没有限制。

显然，因为没有对天气和光照条件的限制，所以我们有P (C2,C3)=1。对于第一个条件，我们可以用数据来估计可能性。然而，这些数据是在白天阳光明媚的天气中记录的。因此，我们需要做以下假设。

**假设3：**设C’2和C’3分别表示晴天和日光条件，那么我们有P(C1|C2 ,C3)=P(C1|C’2,C’3).

从数据来看，P(C1|C’2,C’3)=0.20。使用假设3，我们有:

切入场景包括以下活动：

● A1:自车是车道跟随；

● A2:目标车辆在与自车方向相同的相邻车道行驶；

● A3:在活动A2之后，目标车辆向自车的车道进行变道，使得自车需要刹车；

● A4: 自动化系统检测到车辆切入；

● A5: 在活动A4之后，自动化系统激活自车的刹车。

可以使用数据估计活动A1、A2和A3发生的可能性。假设如果目标车辆行驶速度较慢且车头时距时间小于3秒，自车就需要刹车。如果目标车辆行驶速度较慢，车头时距时间较大，则将该场景称为跟驰场景[22]，[23]。

为简单起见，我们做如下假设：

由此，可以简单地推导出

图3:参数的数据直方图(条)及其估计的边际概率(线)

严重度计算

为了限制参数的数量，我们假设如下：

**假设5：**在目标车辆切入的时刻，即目标车辆进入自车车道的时刻，自车正以匀速行驶。

**假设6：**目标车辆正以匀速行驶。

1. 切入瞬间目标车辆与自车之间的间隙，即目标车辆进入自车车道的瞬间。

2. 自车在切入瞬间的速度。

3. 目标车辆在整个场景中的速度。

参数数据的直方图如图3所示，使用了Eq.(3)的KDE和Eq.(4)的高斯核估计概率密度函数。在应用KDE之前，对数据进行缩放，使每个参数的标准差等于1。我们使用留一交叉验证来计算带宽h(参见[24])，因为这最小化了实际底层pdf和估计pdf之间的Kullback-Leibler散度[13],[25]。得到的带宽等于h=0.198，得到的联合分布的边际概率分布，即KDE，在图3中用黑线表示。

设R表示发生碰撞的结果。给定某参数向量a，如果模拟结果是碰撞，则P (R|a,a,C)=1，否则P(R|a,a,C)=0。对于仿真，我们使用了步长为0.01s的前向欧拉法，与控制器的采样时间类似。在一台普通的计算机上，一秒钟内大约执行2000次仿真。我们进行了一百万次仿真，即N= 106 。

总共有28次仿真以碰撞结束，因此，根据Eq.(7)，我们有：

计算风险

设λ表示具有上述自动化系统的车辆在指定路线上与前面描述的切入场景发生碰撞的平均次数。

利用Eq.(8)，我们有:

利用Eq.(10)，在上述切入场景下，在1小时的行驶时间内无碰撞的概率为：

通过求解k=0时λ的Eq.(9)泊松分布，我们还可以得出结论，在95%的确定性下，在前面描述的行驶925小时的切入场景中不会发生碰撞。

讨论

**我们通过前一节中的一个例子说明了我们的风险估计方法的适用性。然而，我们的方法也有一些局限性。**例如，许多假设是为了简化风险评估的计算，或者因为缺乏数据而存在未知数。这些假设降低了风险评估的准确性。另一个局限是，我们只将提出的方法应用于一种类型的驾驶场景，而将该方法应用于更广泛的场景可以更好地展示全部潜力。

尽管存在上述局限性，但我们认为，我们提出的方法朝着客观危害和风险分析迈出了重要的一步，我们总结为以下几点：

● 所有用于风险评估的假设都是明确的，并且基于测量数据。通过明确假设，在这种情况下，为什么某种风险与某种/特定情景相关联就更加清楚了。

● 因为我们提出的方法说明了导致某种估计风险的所有步骤和假设，所以当系统的更多信息已知或有更多数据可用时，很容易更新风险。

● 风险的系统量化为安全分析提供了额外的客观信任，这种信任依赖于数据的可用性而不是专家的判断。

● 该方法可以扩大规模，适用于多种场景和运行情况，只需稍加修改。

结论

随着汽车系统走向更高的自动化水平，我们需要正式的风险评估方法。然而，目前，衡量风险往往是基于专家的判断。**因此，我们提出了一种量化风险评估的方法，以减少判断中主观错误的风险。**我们提出的方法通过分析真实世界的驾驶数据和自动化系统的仿真，在考虑整个运行情况及其关系的同时，估计驾驶场景的风险。我们用于量化风险的系统方法为安全分析提供了额外的信任，因为它依赖于可用数据而不是专家的判断。

将该方法应用于不同的场景，以显示该方法的全部潜力，这仍然是未来的工作。我们还打算扩展我们的方法，除了考虑曝光和严重程度外，还考虑可控性[26]。

参考文献