基于重要性采样技术的自动车辆换道场景安全性加速评估
机器人学
2016-11-18 v2
摘要
自动车辆（AVs）在发布和部署前必须接受彻底评估。一种广泛使用的评估方法是自然场运营测试（N-FOT），其直接在公共道路上测试原型车辆。由于暴露于安全关键场景的概率较低，N-FOT耗时且昂贵。在本文中，我们提出了一种针对AVs的加速评估方法。其结果可用于生成主要其他车辆的运动，以加速在仿真和受控实验中对AVs的验证。由不安全切入导致的正面碰撞是本文的目标碰撞类型。基于密歇根大学安全试点模型部署计划收集的数据，由人类控制的车辆进行不安全换道被建模为对AVs的主要干扰。切入场景基于收集的人类驾驶员行为的偏斜统计生成，这在产生高风险测试场景的同时保留了统计信息，从而可以准确估计AVs在非加速情况下的安全收益。交叉熵方法用于递归搜索最优偏斜参数。针对一个建模的自动车辆，估计了冲突、碰撞和伤害的发生频率，实现的加速倍率约为2,000至20,000。换言之，在加速仿真中，驾驶1,000英里将使AV遇到具有挑战性的场景，而这在真实世界驾驶中需约2至20百万英里才会遇到。因此，该技术有潜力大幅减少AVs的开发和验证时间。
引用
@article{arxiv.1605.04965,
title = {Accelerated Evaluation of Automated Vehicles Safety in Lane Change Scenarios Based on Importance Sampling Techniques},
author = {Ding Zhao and Henry Lam and Huei Peng and Shan Bao and David J. LeBlanc and Kazutoshi Nobukawa and Christopher S. Pan},
journal= {arXiv preprint arXiv:1605.04965},
year = {2016}
}
备注
submitted to IEEE ITSC