自动驾驶安全评估
在评估自动驾驶汽车的安全性时,必须考虑各个方面。首先,必须确保安全功能_(即所谓的预期功能安全,SOTIF),它侧重于在没有EE故障的情况下可能因功能不足而引发危险的预期功能。另一方面是确保预期功能不会因系统硬件或软件中的随机和系统故障(功能安全)_,而引起危害。本文确定将主要关注前者,即预期功能安全评估。[1]
附赠自动驾驶最全的学习资料和量产经验:链接
目前业界有多种方法可用于评估ADS的预期功能安全,如图 1 所示。包括Real world test,Scenario based test,Formal verification,Shadow mode,Function based test,Function based testing。这些方法可用来评估自动驾驶系统,但各自有其优缺点。
图1:安全评估方法概览
值得注意的是,在Scenario based test方法中,首先需对系统的安全性做出微观评估,即MiR指标评估,然后必须将其转化为宏观评估,MaR_(Macroscopic Risk)评估,对应上一篇文章提到的可接受准则,比如ADS事故率。这里可能不太好理解,举个例子,比如我们要评估ADS功能导致追尾这类危害场景的事故率,使用TTC作为风险评估的MiR危险度量(critical metric),通过对场景数据的采集,分层,泛化得到具体场景,然后对ADS算法进行仿真测试,可以得到各参数(距离,速度等)概率分布下具体场景的危急指标(critical metric)_。然后基于场景的概率以及critical metric,推导出ADS功能引起追尾的总体事故率MaR。
如何推导,可以采用极值理论_(extreme value theory,EVT)来推测极端事件(在这里指交通事故)发生的概率。极值理论 (EVT) 通常用于将测量结果(这里可以理解为critical metric)_外推到观察时间内未发生的不太可能的事件,核心思想利用统计学中的概率分布。它在金融和保险数学中很流行。而AD 安全评估的挑战与此示例类似:很难收集足够的数据来估计严重事故的概率,因为它们极为罕见。如果发现危急指标从危急情况指向某一类别的事故,则可以使用 EVT 推断其可能性。收集足够危急情况所需的里程低于收集事故信息所需的里程。[10]