康謀方案 | 基于A(yíng)I自適應迭代的邊緣場(chǎng)景探索方案

構建巨量的駕駛場(chǎng)景時(shí)，測試ADAS和AD系統面臨著(zhù)巨大挑戰，如傳統的實(shí)驗設計（Design of Experiments, DoE）方法難以有效覆蓋識別駕駛邊緣場(chǎng)景案例，但這些邊緣案例恰恰是進(jìn)一步提升自動(dòng)駕駛系統性能的關(guān)鍵。

本文分享aiFab解決方案，該方案現已具備了更為先進(jìn)的自適應測試方法，顯著(zhù)提升了尋找極端邊緣案例并進(jìn)行分析的能力。

一、傳統解決方案：靜態(tài)DoE

標準的DoE方案旨在系統性地探索場(chǎng)景的參數空間，從而確保能夠實(shí)現完全的測試覆蓋范圍。但在邊緣案例，比如暴露在潛在安全風(fēng)險的場(chǎng)景或是ADAS系統性能極限場(chǎng)景時(shí)，DoE方案通常會(huì )失效，讓我們看一些常見(jiàn)的DoE方案：

1、網(wǎng)格搜索法（Grid）

實(shí)現原理：將場(chǎng)景空間按照網(wǎng)格進(jìn)行劃分，并測試所有的參數組合。

優(yōu)勢：確保覆蓋所有的范圍。

缺點(diǎn)：在大參數空間下計算耗時(shí)將會(huì )難以估計。

2、隨機抽樣（Random Sampling）

實(shí)現原理：在定義的參數空間內進(jìn)行隨機選擇測試樣例。

優(yōu)勢：易于實(shí)現，而且擴展性能好。

缺點(diǎn)：可能會(huì )錯過(guò)重要的樣例從而導致測試效果大打折扣。

3、拉丁超立方體抽樣（LHS）

實(shí)現原理：確保每個(gè)參數在相應區間內進(jìn)行均勻采樣，從而改善數據結果的分布。

優(yōu)勢：比隨機抽樣效率更高，覆蓋范圍更加合理，樣本分布也更均衡。

缺點(diǎn)：過(guò)于均衡從而無(wú)法有效考慮到邊緣案例的情況。

這些傳統方法在一定程度上覆蓋了ADAS和AD系統場(chǎng)景測試范圍，但是其結果或多或少都存在一定的缺陷，如針對于邊緣場(chǎng)景，傳統方法沒(méi)有考慮高風(fēng)險因素以及自適應學(xué)習過(guò)往測試結果的過(guò)程，針對這一點(diǎn)我們分享一個(gè)新的自適應DoE解決方案：aiFab解決方案。

二、aiFab解決方案

在傳統的DoE方案中，將所有的場(chǎng)景視作同等重要，然而事實(shí)上，在A(yíng)DAS/AD系統的測試過(guò)程中，邊緣場(chǎng)景則影響著(zhù)關(guān)鍵性能的提升。在康謀aiFab解決方案中，基于A(yíng)I的自適應DoE解決方案將會(huì )根據先前的測試結果，動(dòng)態(tài)選擇測試用例，在未通過(guò)的案例中學(xué)習并調整泛化注意力。

1、貝葉斯優(yōu)化（BO）：通過(guò)學(xué)習優(yōu)化的智能測試

貝葉斯優(yōu)化將全量搜索場(chǎng)景的方法轉換成由數據驅動(dòng)的智能方案，與隨機取樣等方案不同：

（1）BO方案將會(huì )預測最有可能暴露失敗風(fēng)險的新測試用例。

（2）BO方案采用替代模型Surrogate model，比如采用高斯過(guò)程Gaussian Processes，然后通過(guò)已有的數據來(lái)逼近測試場(chǎng)景參數與關(guān)鍵性指標的映射目標函數。

（3）然后結合采集函數Acquisition Function，比如通過(guò)下置信屆LCB或者期望改進(jìn)EI等方法，有效平衡“探索”和“利用”之間的取舍，在有限次數測試下，有效找到目標函數的最優(yōu)解。

2、映射目標函數之關(guān)鍵性指標

貝葉斯優(yōu)化依靠關(guān)鍵性指標（KPI）決定了是否為目標場(chǎng)景，aiFab中常見(jiàn)的KPI包括：

（1）碰撞時(shí)間TTC：決定車(chē)輛距離碰撞有多近

（2）入侵后時(shí)間PET：交通沖突后剩余時(shí)間間隔

（3）速度變化Delta-v：車(chē)輛碰撞過(guò)程中的速度變化

通過(guò)不同的KPI更新模型，我們的泛化方案能夠將計算資源集中在最需要的地方，從而更高效的發(fā)現關(guān)鍵邊緣場(chǎng)景，而不是在常規場(chǎng)景上耗費時(shí)間。

3、仿真記錄演示

為說(shuō)明aiFab自適應泛化場(chǎng)景，以下通過(guò)一系列仿真記錄來(lái)演示自車(chē)在不同臨界指標下左轉的場(chǎng)景，每次迭代將會(huì )始終關(guān)注更為嚴苛的邊緣案例，以確保能夠發(fā)現潛在風(fēng)險。

原始記錄：

速度變化（Delta-v）：當Ego車(chē)輛與 Exo1車(chē)輛進(jìn)行正面高速碰撞時(shí)，通過(guò)最大化它們的速度，可以使碰撞時(shí)的 Delta-v達到最大，從而增加碰撞的嚴重性。

入侵后時(shí)間（PET）：用于評估潛在碰撞或接近碰撞的風(fēng)險，即那些可能由于交通流或信號變化而產(chǎn)生的高風(fēng)險情形。

入侵時(shí)間（ET）：評估車(chē)輛在交通沖突區域（如交叉口或其他關(guān)鍵區域）停留時(shí)間的指標，特別是當車(chē)輛的速度較低時(shí)。它反映了“Ego”車(chē)輛在這些區域內暴露于潛在風(fēng)險的時(shí)間長(cháng)度。

潛在碰撞時(shí)間（PTTC）：是通過(guò)車(chē)道基礎的度量來(lái)實(shí)現的，主要聚焦于識別和預防發(fā)生追尾碰撞的可能性。

三、結語(yǔ)

憑借最新的自適應DoE功能，aiFab給ADAS/AD驗證帶來(lái)了諸多益處：

（1）更快的發(fā)現邊緣案例：找到高風(fēng)險場(chǎng)景而無(wú)需全量的網(wǎng)格測試

（2）更低的資源耗費：專(zhuān)注于特定方向的案例場(chǎng)景

（3）更好的風(fēng)險覆蓋范圍：提升檢測稀少邊緣關(guān)鍵場(chǎng)景的能力

通過(guò)將自適應測試集成到aiFab中，aiFab解決方案提高了效率，同時(shí)增強了ADAS和自主系統的安全性、性能和信心。