13412598543
技術(shù)文章
構(gòu)建巨量的駕駛場景時，測試ADAS和AD系統(tǒng)面臨著巨大挑戰(zhàn)，如傳統(tǒng)的實驗設(shè)計（Design of Experiments, DoE）方法難以有效覆蓋識別駕駛邊緣場景案例，但這些邊緣案例恰恰是進一步提升自動駕駛系統(tǒng)性能的關(guān)鍵。
本文分享aiFab解決方案，該方案現(xiàn)已具備了更為先進的自適應(yīng)測試方法，顯著提升了尋找邊緣案例并進行分析的能力。
標(biāo)準(zhǔn)的DoE方案旨在系統(tǒng)性地探索場景的參數(shù)空間，從而確保能夠?qū)崿F(xiàn)的測試覆蓋范圍。但在邊緣案例，比如暴露在潛在安全風(fēng)險的場景或是ADAS系統(tǒng)性能極限場景時，DoE方案通常會失效，讓我們看一些常見的DoE方案：
實現(xiàn)原理：將場景空間按照網(wǎng)格進行劃分，并測試所有的參數(shù)組合。
優(yōu)勢：確保覆蓋所有的范圍。
缺點：在大參數(shù)空間下計算耗時將會難以估計。
實現(xiàn)原理：在定義的參數(shù)空間內(nèi)進行隨機選擇測試樣例。
優(yōu)勢：易于實現(xiàn)，而且擴展性能好。
缺點：可能會錯過重要的樣例從而導(dǎo)致測試效果大打折扣。
實現(xiàn)原理：確保每個參數(shù)在相應(yīng)區(qū)間內(nèi)進行均勻采樣，從而改善數(shù)據(jù)結(jié)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：過于均衡從而無法有效考慮到邊緣案例的情況。
這些傳統(tǒng)方法在一定程度上覆蓋了ADAS和AD系統(tǒng)場景測試范圍，但是其結(jié)果或多或少都存在一定的缺陷，如針對于邊緣場景，傳統(tǒng)方法沒有考慮高風(fēng)險因素以及自適應(yīng)學(xué)習(xí)過往測試結(jié)果的過程，針對這一點我們分享一個新的自適應(yīng)DoE解決方案：aiFab解決方案。
在傳統(tǒng)的DoE方案中，將所有的場景視作同等重要，然而事實上，在ADAS/AD系統(tǒng)的測試過程中，邊緣場景則影響著關(guān)鍵性能的提升。在康謀aiFab解決方案中，基于AI的自適應(yīng)DoE解決方案將會根據(jù)先前的測試結(jié)果，動態(tài)選擇測試用例，在未通過的案例中學(xué)習(xí)并調(diào)整泛化注意力。
貝葉斯優(yōu)化將全量搜索場景的方法轉(zhuǎn)換成由數(shù)據(jù)驅(qū)動的智能方案，與隨機取樣等方案不同：
（1）BO方案將會預(yù)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，比如采用高斯過程Gaussian Processes，然后通過已有的數(shù)據(jù)來逼近測試場景參數(shù)與關(guān)鍵性指標(biāo)的映射目標(biāo)函數(shù)。
（3）然后結(jié)合采集函數(shù)Acquisition Function，比如通過下置信屆LCB或者期望改進EI等方法，有效平衡“探索"和“利用"之間的取舍，在有限次數(shù)測試下，有效找到目標(biāo)函數(shù)的解。
貝葉斯優(yōu)化依靠關(guān)鍵性指標(biāo)（KPI）決定了是否為目標(biāo)場景，aiFab中常見的KPI包括：
（1）碰撞時間TTC：決定車輛距離碰撞有多近
（2）入侵后時間PET：交通沖突后剩余時間間隔
（3）速度變化Delta-v：車輛碰撞過程中的速度變化
通過不同的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(xiàn)關(guān)鍵邊緣場景，而不是在常規(guī)場景上耗費時間。
憑借最新的自適應(yīng)DoE功能，aiFab給ADAS/AD驗證帶來了諸多益處：
（1）更快的發(fā)現(xiàn)邊緣案例：找到高風(fēng)險場景而無需全量的網(wǎng)格測試
（2）更低的資源耗費：專注于特定方向的案例場景
（3）更好的風(fēng)險覆蓋范圍：提升檢測稀少邊緣關(guān)鍵場景的能力
通過將自適應(yīng)測試集成到aiFab中，aiFab解決方案提高了效率，同時增強了ADAS和自主系統(tǒng)的安全性、性能和信心。
關(guān)注微信