自動運転システムの安全性検証のためのテストケースサンプリング最適化

科学分野:

• 自動車工学
• 人工知能
• 輸送安全

背景:

• 自動運転システム（ADS）には、現実世界の運転を反映した複雑なテストケースを使用した厳格な検証が必要です。
• ADS検証における課題には、運転環境の複雑さと、安全クリティカルなイベントの発生頻度の低さが含まれます。
• 既存の検証フレームワークは、特に稀だがクリティカルなシナリオを含む、運転シナリオの全スペクトルを効率的に捉えるのに苦労しています。

研究 の 目的:

• ADS検証のための代表的かつ包括的なテストケースを選択するための新しいサンプリング方法を開発し、実証すること。
• 効果的なADSテストのための、現実世界の運転データにおける複雑さと稀さという課題に対処すること。
• 人間による運転と比較して、ADSの堅 robust な安全性検証とパフォーマンス比較を可能にすること。

主な方法:

• カーネルテストケースサンプリング（KTCS）法の導入。
• KTCSの基準：代表性（現実世界のシナリオとの整合性）と網羅性（高リスクのコーナーケースの捕捉）。
• 大規模な自然運転研究データセットへのKTCSの適用。

主要な成果:

• KTCS法は、長尾の稀なシナリオを捉える限定的なテストケースセットを効果的に選択します。
• 選択されたケースは、自然な運転条件全体の分布を近似します。
• このフレームワークは、公平なシステム比較のための正確な事故率推定をサポートします。

結論:

• 提案されたカーネルテストケースサンプリング法は、ADSの安全性検証のための標準化されたスケーラブルなアプローチを提供します。
• この方法は、ADSの加速された開発と展開を容易にします。
• 自動運転技術に対する公衆の信頼と規制当局の信頼の構築に貢献します。