面向网联自动驾驶车辆安全分析的自适应多保真度采样框架
机器人学
2023-06-02 v2
摘要
测试与评估是网联自动驾驶车辆（CAVs）开发中昂贵但关键的环节。本文中，我们开发了一种自适应采样框架，以高效评估 CAV 的事故率，尤其针对输入参数概率分布由自然驾驶数据已知的基于场景的测试。我们的框架依赖代理模型来近似 CAV 性能，并采用一种新颖的采集函数，通过信息论考量来最大化下一采样对事故率的信息收益。除仅使用单一高保真 CAV 性能模型的标准应用外，我们还将方法扩展至双保真度情境，其中可额外使用计算成本较低的低保真模型来近似 CAV 性能。相应地，对于第二种情况，我们的方法被构建为允许在保真度级别（即使用何种模型）与采样位置两方面选择下一采样，以最大化单位成本收益。我们的框架在广泛考虑的 CAV 二维切入问题中进行了测试，其中采用不同时间分辨率的智能驾驶模型（IDM）构建高、低保真模型。我们表明，单保真方法在相同问题上优于现有方法，且双保真方法可进一步节省一半计算成本以达到估计事故率的相似精度。
引用
@article{arxiv.2210.14114,
title = {An adaptive multi-fidelity sampling framework for safety analysis of connected and automated vehicles},
author = {Xianliang Gong and Shuo Feng and Yulin Pan},
journal= {arXiv preprint arXiv:2210.14114},
year = {2023}
}