[论文解读] Is it Safe to Drive? An Overview of Factors, Challenges, and Datasets for Driveability Assessment in Autonomous Driving

Junyao Guo, Unmesh Kurup+1 more|arXiv (Cornell University)|Nov 27, 2018

Autonomous Vehicle Technology and Safety参考文献 111被引用 14

一句话总结

本文提出了一套全面的自动驾驶驾驶性评估框架，通过识别影响场景安全的关键环境与行为因素，评估现有驾驶性度量指标，并对45个公开驾驶数据集进行系统性综述。研究指出在复杂和危险场景中存在数据缺口，并倡导通过有针对性的数据采集、合成数据增强以及迁移学习来提升模型在未见驾驶条件下的鲁棒性。

ABSTRACT

With recent advances in learning algorithms and hardware development, autonomous cars have shown promise when operating in structured environments under good driving conditions. However, for complex, cluttered and unseen environments with high uncertainty, autonomous driving systems still frequently demonstrate erroneous or unexpected behaviors, that could lead to catastrophic outcomes. Autonomous vehicles should ideally adapt to driving conditions; while this can be achieved through multiple routes, it would be beneficial as a first step to be able to characterize Driveability in some quantified form. To this end, this paper aims to create a framework for investigating different factors that can impact driveability. Also, one of the main mechanisms to adapt autonomous driving systems to any driving condition is to be able to learn and generalize from representative scenarios. The machine learning algorithms that currently do so learn predominantly in a supervised manner and consequently need sufficient data for robust and efficient learning. Therefore, we also perform a comparative overview of 45 public driving datasets that enable learning and publish this dataset index at https://sites.google.com/view/driveability-survey-datasets. Specifically, we categorize the datasets according to use cases, and highlight the datasets that capture complicated and hazardous driving conditions which can be better used for training robust driving models. Furthermore, by discussions of what driving scenarios are not covered by existing public datasets and what driveability factors need more investigation and data acquisition, this paper aims to encourage both targeted dataset collection and the proposal of novel driveability metrics that enhance the robustness of autonomous cars in adverse environments.

研究动机与目标

• 建立统一框架，以理解和量化自动驾驶系统中的驾驶性。
• 识别破坏场景安全并导致系统故障的关键环境与行为因素。
• 评估现有驾驶性度量指标，并强调需要采用系统化、多指标评估方法。
• 对45个公开驾驶数据集进行对比分析，按应用场景分类，并识别最适合训练鲁棒模型的数据集。
• 弥补现有数据集中在危险与未见驾驶场景中的数据缺口，并推动有针对性的数据获取与合成数据应用。

提出的方法

• 构建驾驶性因素的分类体系，包括环境条件（天气、光照）和道路使用者行为（行人、车辆动力学）。
• 回顾并分类现有驾驶性度量指标，强调其在决策制定、策略学习与安全地图构建中的作用。
• 对45个公开可用的自动驾驶数据集进行系统性、对比性概述，评估其对复杂与危险场景的覆盖程度。
• 提出一个托管于 https://sites.google.com/view/driveability-survey-datasets 的数据集索引，以支持数据集发现与选择。
• 建议通过类似 PEGASUS 的数据处理管道，整合真实世界、仿真与合成数据源，以增强数据多样性与模型泛化能力。
• 倡导采用迁移学习与领域自适应技术——尤其是结合强化学习与语义表征——以提升模型在未见环境中的性能。

实验结果

研究问题

• RQ1 自动驾驶系统中导致驾驶性下降的主要环境与行为因素是什么？
• RQ2 当前驾驶性度量指标在量化场景安全性方面的表现如何，其在实现鲁棒部署方面还需哪些改进？
• RQ3 哪些公开驾驶数据集最能捕捉复杂、危险或罕见的驾驶场景，从而适合用于训练具有韧性的自动驾驶系统？
• RQ4 现有数据集中在不利天气、城市杂乱环境与动态交互方面存在哪些关键数据缺口？
• RQ5 如何利用迁移学习与合成数据来提升模型在未见驾驶条件下的泛化能力？

主要发现

• 本文指出，自动驾驶车辆的故障最常发生在复杂、非结构化或未见过的环境中，且不确定性较高。
• 现有驾驶性度量指标分散且缺乏统一框架，多数仅聚焦于狭窄方面，如路面状况或物体穿越。
• 在所审查的45个数据集中，仅有少数能捕捉到高风险或危险驾驶状况，如能见度差、激进驾驶行为或复杂城市交互。
• 研究揭示了在恶劣天气、夜间驾驶及不可预测行人行为等场景中存在显著数据缺口，这些是实现鲁棒性的关键因素。
• 作者证明，通过类似 PEGASUS 的数据处理管道整合真实世界、仿真与合成数据，可增强训练数据多样性与模型泛化能力。
• 迁移学习与强化学习方法在将策略适配至新领域方面展现出潜力，但需更深入理解应何时、何地、如何进行最优迁移。