[论文解读] Sequential experimentation to efficiently test automated vehicles

Zhiyuan Huang, Henry Lam+1 more|arXiv (Cornell University)|Dec 3, 2017

Gaussian Processes and Bayesian Inference参考文献 14被引用 7

一句话总结

本文提出一种基于克里金法代理模型的序列实验框架，以最小化自动驾驶汽车的实车测试次数。通过采用模拟驱动的梯度下降法智能选择下一个测试场景，该方法显著减少了实验次数，同时提高了安全评估效率——通过数值案例研究得到验证。

ABSTRACT

Automated vehicles have been under heavy developments in major auto and tech companies and are expected to release into market in the foreseeable future. However, the road safety of these vehicles remains a concern. One approach to evaluate their safety is via on-track experimentation, but this requires gigantic costs and time investments. This paper discusses a sequential learning approach based on kriging models to reduce the experimental runs and economize on-track experimentation. The approach relies on a heuristic simulation-based gradient descent procedure to search for the best next test scenario. We demonstrate our approach with some numerical test cases.

研究动机与目标

• 解决自动驾驶汽车实车测试带来的高成本和长时间负担。
• 提升自动驾驶汽车开发过程中安全评估的效率。
• 最小化实际道路测试中所需的实验次数。
• 开发一种数据驱动方法，以优先选择高影响力的测试场景。
• 实现可扩展且成本效益高的自动驾驶汽车系统安全验证。

提出的方法

• 利用克里金法模型作为代理模型，基于有限的实验数据预测安全结果。
• 实施启发式模拟驱动梯度下降法，以识别下一个最具信息量的测试场景。
• 通过新增实验结果迭代更新克里金法模型，以优化预测精度。
• 利用期望改进准则在测试场景选择中平衡探索与利用。
• 集成仿真环境，在真实测试前评估候选场景。
• 根据累积数据动态调整实验设计，以最大化信息增益。

实验结果

研究问题

• RQ1 如何通过最少的实验次数使自动驾驶汽车的实车测试更加高效？
• RQ2 基于克里金法代理模型在减少所需测试场景数量方面有何影响？
• RQ3 模拟驱动的梯度下降法在选择高信息量测试场景方面的有效性如何？
• RQ4 序列实验能否在降低时间和成本的同时保持安全评估的严谨性？
• RQ5 在自动驾驶汽车验证中，测试覆盖率与实验效率之间的权衡是什么？

主要发现

• 所提出的序列实验方法显著减少了所需的实车测试次数。
• 克里金法模型在数据有限的情况下有效捕捉了安全性能的分布特征。
• 基于模拟的梯度下降程序成功识别出高影响力的测试场景。
• 数值测试案例表明，该方法能以更少的实验次数更快收敛至关键安全场景。
• 该方法可实现高效测试场景优先排序，以最大化信息增益。
• 该框架通过减少对大规模实车测试的依赖，支持可扩展的安全验证。