自动驾驶车辆安全性的高效黑盒评估
机器学习
2020-06-09 v2 机器人学
机器学习
摘要
尽管自动驾驶车辆（AV）技术已取得实质性进展，我们仍缺乏严格且可扩展的测试工具。作为事实评估方法的真实世界测试对公众存在危险。此外，由于故障的稀有性，需要数十亿英里的驾驶才能从统计上验证性能声称。因此，产业界已大量转向仿真来评估AV系统。然而，仅拥有仿真栈并非解决方案。仿真测试框架需要对运行哪些场景进行优先级排序，了解所选场景如何提供对故障模式的覆盖，并按重要性对故障场景排序。我们实现了一个将整个现代AV系统作为黑盒进行评估的仿真测试框架。该框架在支配标准交通行为的基分布下估计事故概率。为加速稀有事件概率评估，我们通过自适应重要性采样方法高效学习识别和排序故障场景。利用该框架，我们对全栈商用AV系统Comma AI的OpenPilot进行了首次独立评估。
引用
@article{arxiv.1912.03618,
title = {Efficient Black-box Assessment of Autonomous Vehicle Safety},
author = {Justin Norden and Matthew O'Kelly and Aman Sinha},
journal= {arXiv preprint arXiv:1912.03618},
year = {2020}
}