[论文解读] Scenario-Based Safety Assessment Framework for Automated Vehicles

Jeroen Ploeg, Erwin de Gelder+4 more|arXiv (Cornell University)|Dec 17, 2021

Autonomous Vehicle Technology and Safety参考文献 6被引用 5

一句话总结

本文提出了一种基于场景的自动驾驶车辆（AV）安全评估框架，整合了功能安全、预期功能安全（SOTIF）以及行为安全，并利用真实道路驾驶数据。通过将交通场景分解为基本事件，参数化其统计分布，并对极端或罕见情况采样，该框架能够高效地开展虚拟与实测测试，生成具有统计相关性的定量安全指标，以支持自动驾驶车辆在道路准入方面的审批，特别针对新加坡陆路交通局（Land Transport Authority）的需求。

ABSTRACT

Automated vehicles (AVs) are expected to increase traffic safety and traffic efficiency, among others by enabling flexible mobility-on-demand systems. This is particularly important in Singapore, being one of the world's most densely populated countries, which is why the Singaporean authorities are currently actively facilitating the deployment of AVs. As a consequence, however, the need arises for a formal AV road approval procedure. To this end, a safety assessment framework is proposed, which combines aspects of the standardized functional safety design methodology with a traffic scenario-based approach. The latter involves using driving data to extract AV-relevant traffic scenarios. The underlying approach is based on decomposition of scenarios into elementary events, subsequent scenario parametrization, and sampling of the estimated probability density functions of the scenario parameters to create test scenarios. The resulting test scenarios are subsequently employed for virtual testing in a simulation environment and physical testing on a proving ground and in real life. As a result, the proposed assessment pipeline thus provides statistically relevant and quantitative measures for the AV performance in a relatively short time frame due to the simulation-based approach. Ultimately, the proposed methodology provides authorities with a formal road approval procedure for AVs. In particular, the proposed methodology will support the Singaporean Land Transport Authority for road approval of AVs.

研究动机与目标

• 为解决在新加坡等密集城市环境中自动驾驶车辆（AV）缺乏正式且可扩展的安全评估方法的问题。
• 开发一种正式的道路准入程序，通过提供定量安全指标来支持监管决策。
• 通过利用真实道路驾驶数据生成具有代表性且关键的测试场景，实现高效的自动驾驶车辆安全验证。
• 将功能安全（ISO 26262）、SOTIF（ISO 21448）与行为安全整合到统一的评估流程中。
• 通过持续的数据采集与场景数据库扩展，支持自动驾驶车辆安全的持续改进。

提出的方法

• 将真实道路交通场景分解为基本事件及事件间活动，以实现系统的分析。
• 对场景活动进行参数化，并基于实测驾驶数据估计其概率密度函数（PDF）。
• 采用PDF采样方法——偏向于极端或罕见情况——以生成具有统计代表性的测试场景，用于安全验证。
• 在虚拟仿真、试车场实测以及真实道路条件下应用生成的场景。
• 采用三阶段是否通过决策流程：设计评审、虚拟安全验证，以及基于全部测试数据的最终安全报告。
• 通过场景标签化与聚类技术，对与安全关键行为相关的场景类别进行分类与检索。

实验结果

研究问题

• RQ1 如何系统性地将真实道路驾驶数据转化为一组具有代表性且可扩展的自动驾驶车辆安全评估测试场景？
• RQ2 何种方法可确保最关键、最罕见或最极端的交通场景被有效采样并加以测试？
• RQ3 如何将功能安全、SOTIF与行为安全整合到一个统一且正式的自动驾驶车辆道路准入评估流程中？
• RQ4 将场景分解为事件与活动在实现参数化与统计建模交通场景方面起到何种作用？
• RQ5 该框架如何通过持续的数据采集与场景数据库扩展，支持自动驾驶车辆安全的持续改进？

主要发现

• 该框架实现了针对自动驾驶车辆的正式、数据驱动的道路准入程序，特别为新加坡陆路交通局（Land Transport Authority）量身定制。
• 通过从估计的PDF尾部分布中采样，该方法系统性地识别并测试了关键安全场景，而无需事先知晓其出现情况。
• 将场景分解为事件与活动可降低复杂性，并支持自动检测与参数化，从而推动可扩展的场景挖掘。
• 基于真实道路场景的虚拟与实测测试相结合，以时间高效的方式提供了具有统计相关性的定量安全指标。
• 该方法通过自动驾驶车辆部署过程中的持续数据采集，支持场景数据库的持续改进。
• 该方法在保持现实性的同时，通过有针对性的采样强调罕见或极端情况，实现了真实性与测试覆盖率之间的平衡。