[论文解读] 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 31

一句话总结

本文提出了一种加速评估框架，通过聚焦于高风险驾驶场景而非大量真实道路行驶里程，显著减少了自动驾驶车辆的测试时间和成本。通过过滤掉常规驾驶行为并突出罕见且危险的情况，该方法仅用1,000英里的测试里程即可实现相当于30万至1亿英里真实道路行驶的测试等效性，将测试需求降低了300至100,000倍。

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.

研究动机与目标

• 为解决自动驾驶车辆为确保安全而需在数百万英里的真实道路里程上进行测试的不切实际问题。
• 通过消除冗余的低风险驾驶场景，减少自动驾驶车辆测试的时间和成本。
• 开发一种可扩展的评估方法，优先处理危险的边缘情况驾驶场景，以实现高效测试。
• 在无需进行数十亿英里物理测试的前提下，实现对自动驾驶车辆的可靠安全评估。

提出的方法

• 该方法采用基于场景的测试，识别并优先处理罕见且高风险的驾驶情境，这些情境对自动驾驶车辆系统构成挑战。
• 其采用仿真框架，生成并压力测试关键交通场景，而非模拟完整驾驶路线。
• 该方法利用统计抽样技术，聚焦于系统故障潜在风险最高的场景。
• 它结合真实世界数据与合成场景生成，以确保边缘案例的相关性和多样性。
• 该框架采用反馈回路，根据系统响应结果优化场景，从而提升对关键行为的测试覆盖率。
• 通过仅集中于安全关键事件，该方法实现了测试里程需求减少300至100,000倍。

实验结果

研究问题

• RQ1 如何在不损害安全验证的前提下加速自动驾驶车辆的测试？
• RQ2 哪些类型的驾驶场景最能有效识别自动驾驶车辆的系统故障？
• RQ3 在安全测试中，仿真与场景优先化能在多大程度上替代真实道路行驶里程？
• RQ4 如何使测试过程具备可扩展性和成本效益，同时保持对系统可靠性的高度信心？

主要发现

• 所提出的方法相比真实道路驾驶，将所需测试距离减少了300至100,000倍。
• 使用该方法测试1,000英里，其安全验证等效于30万至1亿英里真实道路行驶里程。
• 该方法在保持对系统性能高度信心的同时，显著降低了测试时间和成本。
• 通过聚焦于危险场景，该方法提高了故障检测和系统优化的效率。