面向自动驾驶系统的城市自然道路交通数据无监督测试场景提取

基于场景的测试是解决证明配备自动驾驶系统的车辆安全行为这一挑战的一种有前景的方法。由于现实世界道路交通中理论上可能出现无限多个具体场景，提取与这些系统的安全相关行为有关的场景是其成功验证与确认的关键方面。因此，本文提出一种从无监督方式从自然道路交通数据中提取多模态城市交通场景的方法，以最小化（可能带偏的）先验专家知识量。所呈现的方法部署了一个无监督机器学习流水线，而非通过（精细的）基于规则的分配将具体场景提取到预定义的功能场景中。该方法允许探索数据的未知性质及其作为专家未能预见的测试场景的解释。该方法在来自 inD 和 Silicon Valley Intersections 数据集的城市交叉口自然道路交通数据上进行了评估。为此，分析了哪种聚类方法（K-Means、层次聚类和 DBSCAN）使场景提取方法表现最佳（参考一个精细的基于规则的实现）。随后，使用层次聚类的结果显示，当从 4 个聚类增加到 5 个聚类时总准确率跃升约 20%，并从 41 个聚类开始出现饱和效应，总准确率为 84%。这些观察可为功能场景数量（即聚类准确率）与测试工作量之间的权衡提供有价值的贡献。讨论了在固定给定聚类总数时不同聚类所观察到的准确率变化的可能原因。