基于关键特征识别与解释自动驾驶车辆安全关键场景

确保自动驾驶车辆（AVs）的安全至关重要，而在模拟环境中进行测试比进行现场运行测试更为安全。然而，生成详尽的测试套件以识别关键测试场景在计算上代价高昂，因为每个测试的表示都很复杂，并包含各种动态和静态特征，例如被测 AV、道路参与者（车辆、行人和静态障碍物）、环境因素（天气和光照）以及道路结构特征（车道、转弯、道路速度等）。在本文中，我们提出了一种系统性技术，利用实例空间分析（ISA）来识别影响测试场景揭示 AV 不安全行为能力的显著特征。ISA 识别出最能区分安全关键场景与正常驾驶的特征，并在二维中可视化这些特征对测试场景结果（安全/不安全）的影响。该可视化有助于识别实例空间中未经测试的区域，并提供以测试所覆盖特征空间百分比衡量的测试套件质量指标。为测试所识别特征的预测能力，我们训练了五个机器学习分类器，将测试场景分类为安全或不安全。高精确率、召回率和 F1 分数表明，我们提出的方法无需执行测试即可有效预测测试场景的结果，并可用于测试生成、选择和优先级排序。