基于边缘案例的高效统计验证以评估高度自动驾驶车辆

尽管许多安全挑战尚待解决，自动驾驶车辆（AV）的大规模部署似乎已迫在眉睫。众所周知，目前尚无普遍认可的验证与确认（VV）方法学来保证绝对安全，而这对于该技术的接受至关重要。现有标准侧重于确定性过程，其中验证仅需一组覆盖需求的测试用例。现代自动驾驶车辆无疑将包含机器学习和概率技术，由于运行设计域的非确定性本质，其需要更为全面的测试机制。严格的统计验证过程是应对这一挑战所需的关键组成部分。该领域多数研究集中于在大规模真实世界数据收集（行驶里程数）或仿真中的随机测试场景下评估系统性能。本文提出一种新方法，通过自动生成的测试用例向最坏情况场景偏置，识别潜在的不安全边缘案例，从而计算系统行为的统计特征。我们使用强化学习（RL）来学习导致不安全行为的仿真参与者行为，该不安全行为由成熟的 RSS 安全度量衡量。我们证明，通过使用该方法，我们可以通过将仿真聚焦于最坏情况场景、生成对应于不安全情形的边缘案例，以更少的测试用例数量更有效地验证系统。