自动驾驶汽车场景测评参数生成方法及代表性指标( 二 ) _参数估计

本研究采用数据驱动方法，通过观测到的真实场景来生成用于描述新场景的参数值。区别于预设定的信号函数，例如将车辆速度参数拟合到该函数，本研究采用奇异值分解（Singular Value Decomposition, SVD）以数据驱动的方法确定描述场景的最佳参数。接下来，估计参数的概率密度函数（Probability Density Function, PDF），以便可以使用PDF对参数进行采样生成类似的场景。为了不预先假设PDF的分布，因此采用核密度（Kernel Density Estimation, KDE）进行PDF的估计[13][14] 。此外， KDE可以对场景参数之间可能存在的关联性进行建模分析。本研究还提出一种称为场景代表性（Scenario Representativeness, SR）指标，用于量化生成的场景在多大程度上具有代表性并且覆盖了多少真实世界的多样性。更具体的说，该指标使用Wasserstein距离[15]将一组生成的场景与一组观测到的真实场景进行比较。
本文章的结构安排如下。第23章节解释了用于自动驾驶汽车测评场景的生成方法；第4章节提出了一种量化场景生成方法性能的新指标；第5章节进行工况分析；第6章节讨论本研究方法的相关定义以及未来的研究方向；第7章节为结论。
Ⅱ.相关工作
本章节首先回顾了有关生成测评自动驾驶汽车场景的相关工作，其次介绍与SR指标相关研究。
A. 场景生成
测评自动驾驶汽车的场景方法可以分为三种：基于对真实世界交通观察的场景，基于被测自动驾驶汽车功能的场景，以及综合前两种方法的组合方法。目前大多是研究多聚焦于第一种方法。
参考文献中提出了几种方法，用于生成基于真实世界驾驶数据的评估场景。Lages等人提出了一种通过激光雷达探测到的真实世界数据在虚拟仿真环境中重建真实场景的方法[17] 。Zofka等人介绍了基于已记录的传感器数据，通过修改记录的方法创建可能可能导致危险对的场景参数[18] 。Stepien等人通过从广义极值分布中采样场景参数值来生成场景，其中分布参数使用从自然驾驶数据中观察到的安全关键场景中提取的场景参数值进行拟合[19] 。参数化场景和重要性采样可自动生成用于表征自动驾驶汽车被测系统关键相关（例如安全）行为的场景[10][20]-[24] 。此外蒙特卡洛树搜索和遗传编程也可以生成用于表征自动驾驶汽车被测系统关键相关（例如安全）行为的场景[25][26] 。Schuldt等人提供了一种使用组合算法生成场景的方法，该算法确保测试工况覆盖自动驾驶汽车被测系统在真实世界中可能面临的各种情况[27] 。最近， Spooner等人提出了一个生成式对抗网络（Generative Adversarial Network, GAN）用于生成行人过街场景。
现有文献中，用于评估自动驾驶汽车的场景生成方法具体有以下一个或多的缺点：
观测到的场景重建时不增加更多的变化[17] 。在这种情况下，除非收集到不切实际的数据量，否则无法覆盖真实世界中发现的所有场景
场景过于简单化。例如，车辆的速度曲线遵循预设定的函数[10][19][21] 。
对场景参数分布的假设可能会影响场景的质量。例如，假设参数符合高斯分布或广义极值分布，或者假设某些参数是不相关的[29][19][24] 。
因为不知道场景参数的PDF,所以一旦在真实世界道路上部署该系统，就无法对系统的性能进行评价，因为无法确定场景的真实性和可能性。在第3章节将提出一种克服这些缺点的方法。

以上关于本文的内容，仅作参考！温馨提示：如遇专业性较强的问题（如：疾病、健康、理财等），还请咨询专业人士给予相关指导!

「辽宁龙网」www.liaoninglong.com小编还为您精选了以下内容，希望对您有所帮助：