预期功能安全场景库复杂度量化方法研究
发布时间：2022-08-26 11:56:04 所属栏目：大数据 来源：互联网
导读：基于 Pegasus 场景分层体系，提出了一种关于场景复杂度的量化方法，以此来评定场景数据的质量。该方法确定了每层要素的决定因素，根据决定因素确定每层要素的复杂度，通过求出各层要素复杂度之和，得到场景数据的总复杂度。此外，为了防止过复杂现象，提出了
|
基于 Pegasus 场景分层体系，提出了一种关于场景复杂度的量化方法，以此来评定场景数据的质量。该方法确定了每层要素的决定因素，根据决定因素确定每层要素的复杂度，通过求出各层要素复杂度之和，得到场景数据的总复杂度。此外，为了防止“过复杂”现象，提出了“母子库”法和“系统场景概率”法，将场景要素的复杂度乘以该要素的出现概率，得到修正后的复杂度。研究结果显示，通过该方法可以构建合理可用的场景库。 自动驾驶汽车因安全问题导致危害的主要原因包括两方面：（1）由于电子电器故障或软件系统 失效而导致的危害。对于该原因，ISO 提出了 ISO26262《道路车辆—功能安全标准》，而国内提出了对应的 GB/T 34590《道路车辆—功能安全标 准》。（2）由于系统性能不足或合理预见的人为误用而导致的危害。对于该原因，ISO 提出了 ISO/ PAS 21448 Safety of the Intended Functionality，简称 SOTIF 标准 。 SOTIF 标准中，将自动驾驶汽车行驶时面临的场景分为 4 类：已知安全场景、已知不安全场景、 未知安全场景以及未知不安全场景，如图1 所示。对于已知安全场景和未知安全场景，在 SOTIF 标准中并未给予关注。对于已知危险场景，SOTIF 标 准提出了一套方法论。其目的是提高自动驾驶汽车 相关系统的性能或缩小相关系统的运行区域范围， 并基于相关场景库进行测试与验证，即将已知危险 场景转化为已知安全场景。 而对于未知危险场景， 则可以基于场景库进行大量的试验，以此发现和探 测出相关系统存在的安全隐患场景，即将未知危 险场景转化成已知危险场景。最后，基于上述方法 论，将已知危险场景转化为已知安全场景。总之， SOTIF 标准的目标是尽可能地扩大自动驾驶汽车相 关系统在运行时所面临的已知安全和未知安全场景 的范围，从而尽可能地缩小已知危险和未知危险场 景的范围，如图 2 所示。要实现上述目标，其中一 个关键因素是构建高质量的预期功能安全场景库。 图片 图片 目前，许多企业和组织都构建了自己的预期功能安全场景库。例如：Kitti场景库、NuScenes[6] 场景库、Lyft 自动驾驶汽车场景库等。大多数企业和组织在场景库的构建过程中重点关注场景库数据的收集， 而对收集到的场景数据质量却缺乏合理的量化指标。 这无疑带来了两个问题： （1）场景库中可能包含着大量重复且低质量的场景数据，导致基于场景库的试验时间过长，甚至无法发现自动驾驶汽车的性能缺陷，降低了试验结果可信度。 （2）不同场景库之间无法进行优劣性比较，导致自动驾驶汽车场景 库试验无法选择最优的场景库数据。因此，采用一 种科学合理的场景库质量量化方法是十分必要的。场景数据越复杂，对相关系统的挑战越大，探测出相关系统性能缺陷的可能性就越大。因此，可以认为场景数据的复杂度是影响场景库质量的关 键因素之一。 本文提出了一种量化场景数据复杂度 的方法。该方法是基于德国Pegasus 项目的场景分层体系，对场景中的要素进行分类统计，以计算场景 数据中要素的复杂度，并以此评估场景数据的质量。 （编辑：唐山站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
