用于高效刻画复杂驾驶场景的概率元模型
机器学习
2022-12-08 v3 机器人学
系统与控制
系统与控制
摘要
为验证自动驾驶车辆 (AV) 的安全性，基于场景的测试旨在系统性描述 AV 可能遇到的驾驶场景。在此过程中，诸如速度等连续输入会导致场景的无限多种可能变体。因此，元模型被用于执行分析或筛选特定变体以供检验。然而，尽管 AV 测试具有安全关键性，元模型通常被视为整体方法的一部分，其预测未被质疑。本文分析了高斯过程 (GP)、深度高斯过程、极端随机树与贝叶斯神经网络 (BNN) 的预测性能，考量了具有 5 至 20 个输入的四个场景。在此基础上，引入并评估了一种迭代方法，可针对常见分析任务高效筛选测试用例。结果表明，就预测性能而言，测试用例的恰当筛选比元模型的选择更为重要。然而，元模型的选择仍至关重要：BNN 的极高灵活性使其能从大量数据中获益并建模即便最复杂的场景。相比之下，GP 等灵活性较低的模型以更高可靠性取胜。因此，相关测试用例最好借助可扩展虚拟测试设置与灵活模型来探索。随后，可使用更真实的测试设置与更可靠的模型进行针对性测试与验证。
引用
@article{arxiv.2110.02892,
title = {Probabilistic Metamodels for an Efficient Characterization of Complex Driving Scenarios},
author = {Max Winkelmann and Mike Kohlhoff and Hadj Hamma Tadjine and Steffen Müller},
journal= {arXiv preprint arXiv:2110.02892},
year = {2022}
}
备注
10 pages, 14 figures, 1 table, associated dataset at https://github.com/wnklmx/DSIOD