基于真实世界数据的换道场景参数化
机器人学
2022-06-22 v1
摘要
近期的自动驾驶车辆（AV）技术包含机器学习和概率技术，这给传统的验证与确认方法增添了显著复杂性。近年来，研究界与工业界已广泛接受基于场景的测试。由于它直接聚焦于相关的关键道路情境，可减少测试所需的工作量。对真实世界交通参与者行为进行编码，对于在基于场景的测试中高效评估被测系统（SUT）至关重要。因此，有必要从真实世界数据中捕获能够逼真建模仿真中场景的场景参数。本文的主要重点是确定能充分建模真实世界换道场景的有意义参数列表。借助这些参数，可构建参数空间，能够高效生成一系列具有挑战性的 AV 测试场景。我们使用均方根误差（RMSE）将所提参数生成的场景与真实世界轨迹数据进行比较，从而验证我们的方法。此外，我们展示了向少量场景参数添加轻微扰动可生成不同场景，并利用责任敏感安全（RSS）度量来度量场景的风险。
引用
@article{arxiv.2206.09744,
title = {Parameterisation of lane-change scenarios from real-world data},
author = {Dhanoop Karunakaran and Julie Stephany Berrio and Stewart Worrall and Eduardo Nebot},
journal= {arXiv preprint arXiv:2206.09744},
year = {2022}
}
备注
Accepted to IEEE ITSC 2022 conference