[论文解读] Supporting Safe Decision Making Through Holistic System-Level Representations & Monitoring - A Summary and Taxonomy of Self-Representation Concepts for Automated Vehicles.

Marcus Nolte, Inga Jatzkowski+2 more|arXiv (Cornell University)|Jul 27, 2020

Advanced Software Engineering Methodologies参考文献 26被引用 16

一句话总结

本文提出了自动驾驶汽车中自我表征的正式分类体系与定义，主张通过显式构建车辆能力与状态的内部模型，实现整体系统级监控，从而在不确定性条件下实现更安全、更具适应性的决策。其核心贡献在于展示了自我表征如何通过整合性能极限、任务目标与环境预测，同时支持实时故障监控与战术决策。

ABSTRACT

The market introduction of automated vehicles has motivated intense research efforts into the safety of automated vehicle systems. Unlike driver assistance systems, SAE Level 3+ systems are not only responsible for executing (parts of) the dynamic driving task (DDT), but also for monitoring the automation system's performance at all times. Key components to fulfill these surveillance tasks are system monitors which can assess the system's performance at runtime, e.g. to activate fallback modules in case of partial system failures. In order to implement reasonable monitoring strategies for an automated vehicle, holistic system-level approaches are required, which make use of sophisticated internal system models. In this paper we present definitions and an according taxonomy, subsuming such models as a vehicle's self-representation and highlight the terms' roles in a scene and situation representation. Holistic system-level monitoring does not only provide the possibility to use monitors for the activation of fallbacks. In this paper we argue, why holistic system-level monitoring is a crucial step towards higher levels of automation, and give an example how it also enables the system to react to performance loss at a tactical level by providing input for decision making.

研究动机与目标

• 为解决 SAE 等级 3 及以上自动驾驶汽车中确保系统可靠运行这一关键安全挑战。
• 在自动驾驶背景下，定义并形式化自我表征、自我感知与自我意识的概念。
• 建立捕捉车辆能力与当前性能的系统级内部模型的分类体系。
• 展示自我表征如何增强情境评估，并支持自适应、风险最小化的决策。
• 通过将内部状态模型整合到决策流程中，弥合系统监控与高层决策之间的鸿沟。

提出的方法

• 提出将自我表征正式定义为车辆内部状态、能力与性能极限的显式运行时模型。
• 提出自我表征组件的分类体系，包括能力度量、传感器性能与任务目标。
• 采用基于场景的方法，说明自我表征如何影响动作空间限制与行为预测。
• 将自我表征与场景及情境模型集成，以实现连贯的情境评估。
• 利用仿真与图形建模，展示在传感性能退化条件下，自我表征如何影响决策。
• 将该概念应用于多车交叉口场景，对比有无自我表征时的决策差异。

实验结果

研究问题

• RQ1 如何在自动驾驶汽车中正式定义自我表征，并将其与自我感知、自我意识等相关概念区分开来？
• RQ2 为支持安全系统运行，整体自我表征应包含哪些组件与结构？
• RQ3 在不确定或传感性能退化条件下，自我表征如何增强情境评估与决策？
• RQ4 自我表征在哪些方面能够实现主动降级与性能退化检测，超越传统故障监控？
• RQ5 将自我表征与任务目标及环境预测相集成，如何提升战术决策？

主要发现

• 自我表征使车辆能够建模自身的性能极限，例如视野减小或传感器能力下降，这些直接影响决策。
• 在视野受限的场景中，具备完整自我表征的车辆会将其动作空间限制在安全操作（如缓慢停车或等待），而缺乏该表征的车辆可能选择高风险行为。
• 将自我表征与任务目标结合，可使系统不仅评估安全性，还评估任务成功可能性，例如选择直行通过交叉口。
• 自我表征支持对车辆行为的预测性仿真，使系统能在执行前评估潜在动作的安全性与有效性。
• 整体性自我表征对于连贯的情境评估至关重要，因为它为解释环境数据与任务目标提供了上下文。
• 本文证明，自我表征不仅对故障切换激活有用，更是战术层面自适应、风险最小化决策的关键。