规划与采样：利用子模优化最大化关于自动驾驶车辆性能的信息
机器人学
2021-06-17 v1 系统与控制
系统与控制
摘要
随着自动驾驶车辆（AV）运行设计域（ODD）的不断扩展，它们需要经过系统、透明且可扩展的评估流程，以向社会证明其益处。当前用于 AV 性能评估的场景采样技术通常聚焦于某项特定功能（如变道），且无法将关于某一 AV 系统的信息从一个 ODD 迁移至下一个。本文中，我们将跨 ODD 与功能的场景采样问题重新表述为子模优化问题。为此，我们将 AV 性能抽象为贝叶斯层次模型，并借此推断通过揭示新场景中的性能所获得的信息。我们提出以信息增益作为场景相关性与评估进展的度量。此外，我们利用信息增益的子模性（即收益递减）性质，不仅找到了近似最优场景集，还提出了 AV 性能评估活动的停止准则。我们发现仅需探索约 7.5% 的场景空间即可满足该准则，较拉丁超立方采样提升 23%。
引用
@article{arxiv.2106.08389,
title = {Plane and Sample: Maximizing Information about Autonomous Vehicle Performance using Submodular Optimization},
author = {Anne Collin and Amitai Y. Bin-Nun and Radboud Duintjer Tebbens},
journal= {arXiv preprint arXiv:2106.08389},
year = {2021}
}
备注
8 pages, 8 figures. Accepted for publication at the 2021 IEEE International Intelligent Transportation Systems Conference (ITSC)