PeSOTIF：一个用于长尾交通场景中感知 SOTIF 问题的具有挑战性的视觉数据集
计算机视觉与模式识别
2022-11-08 v1
摘要
自动驾驶系统中的感知算法在长尾交通场景中面临巨大挑战，其中预期功能安全（SOTIF）问题可能由算法性能不足和动态运行环境触发。然而，此类场景并未被系统地包含在当前开源数据集中，本文相应地填补了这一空白。基于对触发条件的分析和枚举，我们发布了一个高质量的多样化数据集，包含从多种资源收集的各种长尾交通场景。考虑到概率目标检测（POD）的发展，该数据集将场景中可能引起感知 SOTIF 问题的触发源标记为关键对象。此外，我们提出一种评估协议，以通过不确定性验证 POD 算法识别关键对象的有效性。该数据集持续扩展，首批开源数据包含 1126 帧，每帧平均有 2.27 个关键对象和 2.47 个正常对象。为演示如何使用该数据集进行 SOTIF 研究，本文进一步量化了感知 SOTIF 熵，以确认某一场景对感知系统是否未知且不安全。实验结果表明，量化熵能够有效且高效地反映感知算法的失效。
引用
@article{arxiv.2211.03402,
title = {PeSOTIF: a Challenging Visual Dataset for Perception SOTIF Problems in Long-tail Traffic Scenarios},
author = {Liang Peng and Jun Li and Wenbo Shao and Hong Wang},
journal= {arXiv preprint arXiv:2211.03402},
year = {2022}
}
备注
7 pages, 5 figures, 4 tables, submitted to 2023 ICRA