[論文レビュー] From the Lab to the Street: Solving the Challenge of Accelerating Automated Vehicle Testing

Ding Zhao, Huei Peng|arXiv (Cornell University)|Jul 15, 2017

Autonomous Vehicle Technology and Safety被引用数 31

ひとこと要約

本稿では、自動運転車のテスト時間とコストを削減するため、日常的でない走行状況ではなく、高リスクの走行シナリオに焦点を当てた高速化された評価フレームワークを提案している。日常的でない走行を除外し、まれで危険な状況に注目することで、1,000マイルのテストで30万～1億マイルの実走行に相当するテスト同等性を達成し、テスト要件を300～100,000分の1に削減する。

ABSTRACT

As automated vehicles and their technology become more advanced and technically sophisticated, evaluation procedures that can measure the safety and reliability of these new driverless cars must develop far beyond existing safety tests. To get an accurate assessment in field tests, such cars would have to be driven millions or even billions of miles to arrive at an acceptable level of certainty - a time-consuming process that would cost tens of millions of dollars. Instead, researchers affiliated with the University of Michigan's Mcity connected and automated vehicle center have developed an accelerated evaluation process that eliminates the many miles of uneventful driving activity to filter out only the potentially dangerous driving situations where an automated vehicle needs to respond, creating a faster, less expensive testing program. This approach can reduce the amount of testing needed by a factor of 300 to 100,000 so that an automated vehicle driven for 1,000 test miles can yield the equivalent of 300,000 to 100 million miles of real-world driving. While more research and development needs to be done to perfect this technique, the accelerated evaluation procedure offers a ground-breaking solution for safe and efficient testing that is crucial to deploying automated vehicles.

研究の動機と目的

• 安全を保証するため、数百万マイルにのぼる実走行での自動運転車のテストが現実的でないことを解決すること。
• 繰り返しで低リスクの走行状況を排除することで、自動運転車のテストにかかる時間とコストを削減すること。
• 危険でエッジケースの走行状況を優先することで、効率的なテストが可能なスケーラブルな評価手法を開発すること。
• 数十億マイルにのぼる物理的走行テストを要せず、自動運転車の信頼性のある安全性評価を可能にすること。

提案手法

• 本手法は、自動運転車のシステムが挑戦を受けるまれで高リスクの走行シナリオを特定・優先順位付けするシナリオベースのテストを用いる。
• 本手法は、全走行ルートをシミュレートするのではなく、重要な交通シナリオを生成し、ストレステストを実施するシミュレーションフレームワークを採用する。
• 本手法は、システムの故障の可能性が最も高いシナリオに注目する統計的サンプリングを活用する。
• 本手法は、実世界のデータと合成シナリオ生成を統合することで、エッジケースの関連性と多様性を保証する。
• 本フレームワークは、システムの反応に基づいてシナリオを改善するフィードバックループを用いることで、重要な行動のテストカバレッジを向上させる。
• 本手法は、安全に重要な出来事にのみ集中することで、テストマイル数を300～100,000分の1に削減できる。

実験結果

リサーチクエスチョン

• RQ1 安全性の妥当性を損なわず、自動運転車のテストをどのように高速化できるか？
• RQ2 自動運転車のシステム障害を特定するのに最も効果的な走行シナリオの種類は何か？
• RQ3 シミュレーションとシナリオ優先の手法が、安全性テストにおける実走行マイルをどの程度代替できるか？
• RQ4 テストプロセスをスケーラブルかつコスト効率よくするには、システム信頼性に関する高い信頼性をどのように維持できるか？

主な発見

• 提案手法により、実走行走行と比較してテスト距離が300～100,000分の1に削減された。
• 本手法を用いて1,000マイルのテストを実施することで、30万～1億マイルの実走行に相当する安全性の検証が可能になった。
• 危険な状況に注目することで、テスト時間とコストを大幅に削減しながら、システム性能に対する高い信頼性を維持した。
• 危険なシナリオに集中することで、障害検出の効率とシステムの最適化が向上した。