STEAM 与 MoSAFE：面向 AI 驱动驾驶自动化的 SOTIF 错误与故障模型及分析

驾驶自动化系统（DAS）面临复杂的道路环境和车辆行为，且日益依赖复杂的传感器和人工智能（AI）。这些特性引发了源于规范不足和技术性能限制的独特安全故障，其中传感器和 AI 引入的错误在幅度和时间模式上各不相同，构成了潜在的安全风险。预期功能安全（SOTIF）标准作为解决这些问题的 promising 框架应运而生，侧重于基于场景的分析以识别危险行为及其成因。尽管当前标准提供了基本的因果模型和高级流程指导，但它缺乏识别和评估危险错误所需的概念，尤其是在 AI 语境下。本文引入两项关键贡献以弥合这一差距。首先，它定义了 SOTIF 时间错误与故障模型（STEAM）作为 SOTIF 因果模型的细化，提供了全面的系统设计视角。STEAM 细化了错误定义，引入了错误序列，并将其分类为错误序列模式，对采用先进传感器和 AI 的系统具有特殊相关性。其次，本文提出了故障与错误的基于模型的 SOTIF 分析（MoSAFE）方法，该方法允许通过最弱前置条件推理，从车辆级别的危险行为推导出模块级别的危险错误序列模式，从而基于系统设计模型实例化 STEAM。最后，本文提出了一个以自动速度控制功能为中心的案例研究，说明了细化后的模型和 MoSAFE 方法在解决 DAS 中复杂安全挑战方面的实际适用性。