[论文解读] 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 5

一句话总结

本文提出了一种分段混合分布模型，通过更准确地建模车道变更过程中人类驾驶车辆的行为，以加速自动驾驶（AV）安全系统的评估。通过用灵活的分段混合模型替代单一参数分布，该方法将仿真时间减少了近四个数量级——相比原始蒙特卡洛方法实现了7,000倍的加速——同时在碰撞场景评估中提升了统计准确性。

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.

研究动机与目标

• 解决当前自动驾驶自然场测方法效率低下的问题，后者需要数百万英里才能观测到罕见的安全关键事件。
• 克服单一参数分布对罕见但关键行为（如激进变道）建模的局限性。
• 开发一种更灵活、更精确的周围车辆动态统计模型，以实现更快且具有统计有效性的自动驾驶安全评估。
• 通过利用分段混合分布，提升基于重要性采样加速评估的效率与准确性。
• 在密歇根大学安全飞行员示范部署计划的真实数据集（403,581次车道变更）上验证该方法的有效性。

提出的方法

• 使用分段混合分布对车道变更过程中周围人类驾驶车辆（POVs）的行为进行建模，该方法在不同行为模式下组合多个参数分布。
• 应用交叉熵方法优化重要性采样分布，以高效模拟罕见但关键的事件。
• 使用逆累积分布函数（CDF）采样从分段混合模型生成逼真的POV轨迹。
• 采用带有边界正态分布的期望最大化（EM）算法，从真实驾驶数据中估计混合参数。
• 应用重要性采样理论，将加速仿真结果“反向校正”以估计真实世界的安全性能。
• 将模型集成到仿真框架中，用于评估纵向控制系统对切入行为的响应。

实验结果

研究问题

• RQ1 与单一参数分布相比，分段混合分布是否能更准确地捕捉人类驾驶车辆在车道变更过程中的统计行为？
• RQ2 与现有方法相比，分段混合模型在自动驾驶安全评估的效率和准确性方面提升了多少？
• RQ3 在自动驾驶评估背景下，将交叉熵方法应用于分段混合模型时表现如何？
• RQ4 与原始蒙特卡洛方法和单一参数模型相比，所提方法的计算成本和收敛行为如何？
• RQ5 所提框架是否能在保持安全评估结果统计置信度的前提下，减少所需仿真运行次数？

主要发现

• 在相同收敛标准下，分段混合模型相比单一参数模型将所需仿真运行次数减少了约33%。
• 该方法相比原始蒙特卡洛仿真方法实现了7,000倍的加速，显著缩短了评估时间。
• 分段混合模型在拟合实证数据方面优于单一参数模型，尤其在捕捉车道变更行为的尾部分布方面表现更优。
• 交叉熵方法有效优化了重要性采样分布，同时提出了实用方案以处理参数估计过程中的数值不稳定性。
• 尽管估计了18个参数（单一参数模型为4个），但由于分布与关键事件的对齐性更好，分段模型收敛所需的仿真次数更少。
• 成功推导并实现了用于分段混合模型的逆CDF采样方法，实现了仿真中轨迹生成的高精度与高效率。