从警方报告的历史事故数据中探索自动驾驶测试的总体场景,使用自适应性搜索采样框架

科学领域:

• 自动驾驶安全自动驾驶安全
• 交通事故分析 交通事故分析
• 机器学习用于模拟

背景情况:

• 目前的自动驾驶安全测试严重依赖于具体的碰撞场景,限制了全面的评估.
• 从警察数据中生成各种功能性崩场景是具有挑战性和耗时的.

研究的目的:

• 开发一个有效的框架,从警察报告的历史数据中提取总体机场景样本.
• 提高自动驾驶汽车测试场景生成的全面性和准确性.

主要方法:

• 提出了一个适应性搜索采样框架,利用深度生成和代用模型 (SM).
• 采用各种采样技术,从事故数据中选择初始总体场景样本.
• 开发了基于SM的自适应性搜索策略,以使用相似性得分进行高效和全面的场景合成.

主要成果:

• 适应性搜索采样方法比其他采样技术具有显著的优势.
• 实验结果证实了拟议框架的有效性和准确性.
• 统计分析和可视化评估验证了该方法的性能.

结论:

• 拟议的框架提供了一个有效的解决方案,用于生成多样化和代表性的崩场景.
• 这种方法提高了自动驾驶系统安全测试的效率和全面性.
• 该方法为利用历史事故数据在基于模拟的安全验证中提供了有价值的工具.