[論文レビュー] Accelerated Evaluation of Automated Vehicles Using Piecewise Mixture Models

Zhiyuan Huang, Ding Zhao+2 more|arXiv (Cornell University)|Jan 31, 2017

Software Reliability and Analysis Research参考文献 9被引用数 5

ひとこと要約

本論文は、自動運転車（AV）の安全システムの評価を高速化するため、lane change 時における人間運転車両の行動をより正確にモデル化するための Piecewise Mixture Distribution モデルを提案する。単一のパラメトリック分布の代わりに、柔軟でセグメント化された混合モデルを用いることで、シミュレーション時間をほぼ4桁短縮（粗いモンテカルロ法と比較して7,000倍の高速化）し、衝突シナリオ評価における統計的精度を向上させる。

ABSTRACT

The process to certify highly Automated Vehicles has not yet been defined by any country in the world. Currently, companies test Automated Vehicles on public roads, which is time-consuming and inefficient. We proposed the Accelerated Evaluation concept, which uses a modified statistics of the surrounding vehicles and the Importance Sampling theory to reduce the evaluation time by several orders of magnitude, while ensuring the evaluation results are statistically accurate. In this paper, we further improve the accelerated evaluation concept by using Piecewise Mixture Distribution models, instead of Single Parametric Distribution models. We developed and applied this idea to forward collision control system reacting to vehicles making cut-in lane changes. The behavior of the cut-in vehicles was modeled based on more than 403,581 lane changes collected by the University of Michigan Safety Pilot Model Deployment Program. Simulation results confirm that the accuracy and efficiency of the Piecewise Mixture Distribution method outperformed single parametric distribution methods in accuracy and efficiency, and accelerated the evaluation process by almost four orders of magnitude.

研究の動機と目的

• 稀な安全関連イベントを観測するため、現在のナチュラルISTICフィールドテストが数百万マイルを要することによる非効率性に対処する。
• 攻撃的で危険なlane change などの稀だが重要な行動をモデル化する際、単一パラメトリック分布の限界を克服する。
• 周囲の車両の動的行動をより柔軟かつ正確にモデル化することで、高速かつ統計的に妥当なAV安全評価を可能にする。
• 区分的混合分布を活用して、重要度サンプリングに基づく加速評価の効率と精度を向上させる。
• ミシガン大学のSafety Pilot Model Deploymentプログラムから得た403,581件のlane changeデータを用いて、本手法の有効性を実証する。

提案手法

• 異なる行動レジームで複数のパラメトリック分布を組み合わせた区分的混合分布を用いて、lane change 時における周囲の人間運転車両（POV）の行動をモデル化する。
• 重要度サンプリング分布の最適化にクロスエントロピー法を適用し、稀だが重要なイベントの効率的シミュレーションを可能にする。
• 逆累積分布関数（CDF）サンプリングを用いて、区分的混合モデルから現実的なPOV軌跡を生成する。
• 実世界の走行データから混合パラメータを推定するために、境界付き正規分布を用いたEMアルゴリズムを実装する。
• 重要度サンプリング理論を応用し、加速シミュレーションからの結果を「元の分布に戻す」ことで、実世界の安全パフォーマンスを推定する。
• シミュレーションフレームワークにモデルを統合し、切込行動に対する縦方向制御システムの反応を評価する。

実験結果

リサーチクエスチョン

• RQ1 区分的混合分布は、単一パラメトリック分布と比較して、lane change 時の人間運転車両の統計的行動をよりよく捉えられるか？
• RQ2 既存の手法と比較して、区分的混合モデルはAV安全評価の効率性と正確性をどの程度向上させるか？
• RQ3 AV評価の文脈において、区分的混合モデルにクロスエントロピー法を適用した場合、その性能はいかがなものか？
• RQ4 粗いモンテカルロ法や単一パラメトリックモデルと比較して、提案手法の計算コストと収束特性はどのようになるか？
• RQ5 提案フレームワークは、統計的信頼性を維持したまま、必要なシミュレーション実行回数を削減できるか？

主な発見

• 同一の収束基準下で、単一パラメトリックモデルと比較して、区分的混合モデルはシミュレーション実行回数を約33％削減した。
• 粗いモンテカルロ法と比較して、本手法は7,000倍の高速化を達成し、評価時間を顕著に短縮した。
• 区分的混合モデルは、特にlane change 動作の尾部挙動（極値行動）を捉える点で、単一パラメトリックモデルを上回った。
• クロスエントロピー法は重要度サンプリング分布の最適化に効果的に機能し、パrameter推定時の数値不安定性に対処する実用的解決策が提案された。
• 単一パラメトリックモデルの4パラメータと比較して18パラメータを推定するにもかかわらず、本手法は、危険なイベントと分布がより整合しているため、収束に必要なシミュレーション回数が少ない。
• 区分的混合分布に対する逆CDFサンプリング法は、成功裏に導出・実装され、シミュレーションに適した正確かつ効率的な軌跡生成を可能にした。