[论文解读] Using Ontologies for the Formalization and Recognition of Criticality for Automated Driving

Lukas Westhofen, Christian Neurohr+3 more|arXiv (Cornell University)|May 3, 2022

Semantic Web and Ontologies被引用 4

一句话总结

本文提出了一种基于本体的形式化框架，利用描述逻辑和基于规则的推理来建模和推理自动驾驶中的临界性因素。该框架整合了六层模型以表示交通情境，通过逻辑公理实现对遮挡、不可预测行为和恶劣天气等风险因素的早期检测，基于大规模无人机数据集的评估表明，该方法能稳健识别关键场景。

ABSTRACT

Knowledge representation and reasoning has a long history of examining how knowledge can be formalized, interpreted, and semantically analyzed by machines. In the area of automated vehicles, recent advances suggest the ability to formalize and leverage relevant knowledge as a key enabler in handling the inherently open and complex context of the traffic world. This paper demonstrates ontologies to be a powerful tool for a) modeling and formalization of and b) reasoning about factors associated with criticality in the environment of automated vehicles. For this, we leverage the well-known 6-Layer Model to create a formal representation of the environmental context. Within this representation, an ontology models domain knowledge as logical axioms, enabling deduction on the presence of critical factors within traffic scenes and scenarios. For executing automated analyses, a joint description logic and rule reasoner is used in combination with an a-priori predicate augmentation. We elaborate on the modular approach, present a publicly available implementation, and evaluate the method by means of a large-scale drone data set of urban traffic scenarios.

研究动机与目标

• 解决自动驾驶系统中建模开放、复杂的城市交通环境的挑战。
• 将与安全相关的临界性现象（如遮挡、不可预测行为和恶劣天气）形式化为机器可理解的知识模型。
• 通过在交通冲突发生前对临界性因素的组合进行推理，实现在早期阶段的稳健风险评估。
• 将基于本体的推理集成到自动驾驶系统的验证与确认（V&V）流程中，以提升安全性保障。
• 利用大规模基于无人机的城市交通数据集，展示方法的可扩展性与实用性。

提出的方法

• 采用六层模型将自动驾驶的环境情境结构化为分层的、语义明确的层级。
• 在描述逻辑（DL）本体中，将领域特定的临界性现象（CPs）定义为逻辑公理，使用形式化定义和约束。
• 应用联合描述逻辑与规则推理器（如HermiT或Pellet），从传感器或场景数据中推断临界性因素的存在。
• 通过先验谓词增强技术，为输入数据补充推理所需的语义特征，如物体类型和运动模式。
• 使用n元关系和几何推理建模复杂现象（如遮挡），通过空间交集和圆弓形计算定义可见区域和遮挡率。
• 将时间与空间度量（如TTB、areq）表示为临界性因素组合的推导结果，以实现早期风险预测。

实验结果

研究问题

• RQ1 本体能否有效形式化并表示城市自动驾驶环境中多样化的、与安全相关的环境因素？
• RQ2 在交通冲突发生前，基于本体的逻辑推理在多大程度上能够实现实时检测临界性现象？
• RQ3 所提出的基于本体的方法在多样化的现实城市交通场景中，其可扩展性与泛化能力如何？
• RQ4 将形式化本体集成到V&V流程中，能否提升自动驾驶系统中安全关键行为的可追溯性与可验证性？
• RQ5 该系统在检测复杂多因素临界性场景（如被遮挡的行人或高相对速度）方面的性能如何？

主要发现

• 本体成功使用精确的逻辑公理形式化了20多个临界性现象，包括遮挡、不可预测行为和恶劣天气。
• 即使在复杂拥挤的城市场景中，系统也能以高度一致性检测出如被遮挡的行人和高相对速度等临界性因素。
• 先验谓词增强技术的集成显著提升了临界性识别的准确性，通过为原始传感器数据补充语义上下文。
• 基于规则的推理器能正确从临界性因素组合中推断出派生风险度量（如TTB减少、areq增加），从而实现早期风险评估。
• 基于大规模无人机数据集的评估表明，该方法在检测多因素关键场景（如上下学时段学校附近有儿童）方面表现出稳健性。
• 模块化、基于本体的方法在应对新出现或演变的交通现象方面表现出良好的适应性，支持城市驾驶环境的开放性特征。