LAMBDA：通过搜索空间量化覆盖自动驾驶系统的多模态关键场景
人工智能
2024-12-03 v1 新兴技术
机器人学
摘要
基于情景的虚拟测试是测试和评估自动驾驶系统（ADSS）安全性的主要方法之一。然而，枚举逻辑情景空间中所有具体情景进行穷举测试是不可行的。最近引入了黑箱优化（BBO）通过利用历史测试信息生成新测试案例来加速 ADSS 的情景测试。然而，单个 BBO 算法找到的最优解不足以进行全面安全评估。事实上，逻辑情景空间中代表危险的各个子空间，而不仅仅是最关键的具体情景，才在安全评估中发挥更重要的作用。通过有限数量的测试覆盖逻辑情景空间中尽可能多的关键具体情景，定义为本文中的黑箱覆盖（BBC）问题。我们在基于样本的搜索范式中对该问题进行形式化，并构建了基于混淆矩阵分析的覆盖准则。此外，我们提出了 LAMBDA（Latent-Action Monte-Carlo Beam Search with Density Adaption）来解决 BBC 问题。LAMBDA 通过递归将逻辑情景空间划分为已接受和已拒绝的子空间，快速聚焦于关键子空间。与其前身 LaMCTS 相比，LAMBDA 引入了抽样密度以克服优化带来的抽样偏差，并引入 Beam Search 以获得更好的并行性。实验结果表明，LAMBDA 在所有基准方法中实现了最佳性能，相较于随机搜索，在 2 维和 5 维合成函数中分别快至33倍和6000倍，以获得关键区域95%覆盖。实验还表明，LAMBDA 在虚拟测试中对 ADSS 的安全评估前景广阔。
引用
@article{arxiv.2412.00517,
title = {LAMBDA: Covering the Multimodal Critical Scenarios for Automated Driving Systems by Search Space Quantization},
author = {Xinzheng Wu and Junyi Chen and Xingyu Xing and Jian Sun and Ye Tian and Lihao Liu and Yong Shen},
journal= {arXiv preprint arXiv:2412.00517},
year = {2024}
}
备注
17pages, 21figures