自适应抽样方法在虚拟安全影响评估场景生成中的评估
应用统计
2025-03-04 v1 机器学习
统计计算
摘要
虚拟安全评估在评估先crash 安全系统（如先进驾驶辅助系统 (ADAS) 和自动驾驶系统 (ADS)）的安全影响方面发挥着关键作用。然而，随着仿真场景生成参数的增加，待模拟的 crash 场景数量呈指数增长，导致完全枚举在计算上不可行。高效抽样方法，如重要抽样和主动抽样，已被提出以解决这一挑战。然而，对领域知识、分层和批处理抽样对其效率影响的综合评估仍有限。本研究评估了重要抽样和主动抽样在场景生成中的性能，纳入了两种由领域知识驱动的特征：自适应样本空间缩减 (Adaptive Sample Space Reduction, ASSR) 和分层。此外，我们评估了第三种特征，即批处理抽样，对计算效率（以 CPU 和墙钟时间）的影响。基于我们的发现，我们提供了针对 ASSR、分层和批处理抽样以优化抽样性能的实用建议。我们的结果表明，ASSR 在重要抽样和主动抽样中显著提升了抽样效率。当集成到主动抽样中时，ASSR 可将估计值的均方根误差 (RMSE) 降低最高可达 90%。无论是否采用 ASSR，分层都能进一步提升两种抽样方法的性能。当未采用 ASSR 和/或分层时，重要抽样与主动抽样的性能相当；而当两者都未采用时，主动抽样更有效。更大的批处理大小会减少墙钟时间，但会增加要获得相同估计精度所需的仿真次数。
引用
@article{arxiv.2503.00815,
title = {Evaluation of adaptive sampling methods in scenario generation for virtual safety impact assessment of pre-crash safety systems},
author = {Xiaomi Yang and Henrik Imberg and Carol Flannagan and Jonas Bärgman},
journal= {arXiv preprint arXiv:2503.00815},
year = {2025}
}