自动驾驶辅助系统的安全评估

统计方法与软件在环仿真相结合有助于分析先进驾驶辅助系统(ADAS)的可靠性。

基于场景的驾驶模拟

通过基于场景的仿真来验证高级驾驶员辅助系统。在这种情况下，仿真意味着运行ADAS的控制设备作为仿真工具存在，运行真实的ECU代码，从而执行软件在环仿真。仿真控制器的所有输入都由仿真环境生成。这些数据包括传感器、车辆数据以及安装在车辆上的其他ECU的数据。为了生成可信的输入数据，模拟了一个虚拟环境，在这个环境中，系统车辆移动，传感器模型检测到其他道路使用者(物体)。因此，对虚拟世界进行处理和捕获，并由此计算出的控制量被传递回车辆模型。

这些场景来自系统需求、研究项目PEGASUS(开发验证和测试ADAS的新方法的联合项目)以及现场观察。逻辑场景通常是特定的交通状况。

例如，如图1所示，在高速公路上的其他物体的机动切割或堵塞情况。为了描述这样一个逻辑场景，可以使用6层模型[Bock]。为演示目的，仅使用道路层(1)和移动物体层(4)进行描述。在相应参数的帮助下，可以改变这些逻辑场景的特征。因此，可以改变车辆的速度，与物体的距离或变道机动的动态。

模拟了这些由不同参数组合而产生的所谓特定情景，并评估了ADS的系统反应。这是通过反映特定场景的临界性的评估标准来完成的。例如，碰撞时间(TTC)或两车之间的距离可以作为评估标准。

随机分析

要满足设计要求，就必须确保几何、材料或环境变化引起的所有重要响应的分散在可接受的设计限度之内。在鲁棒性分析的帮助下，可以估计这种散点。在这个框架内，响应的分散可以用其平均值和标准偏差或其相对于特定失效极限的安全裕度来描述。安全裕度可以是基于方差的(指定故障与平均值之间的裕度)，也可以是基于概率的(使用超出故障极限的概率)。如图2所示。

在可靠性方法中，达到失效极限的概率是通过对失效域中不确定性的概率密度进行积分得到的。

采样，其中采样密度调整，以充分覆盖故障域，并以更少的求解器调用获得更准确的概率估计。

其他方法，如一阶或二阶可靠性法(FORM & SORM)，通过近似安全域和失效域之间的边界，即所谓的极限状态，仍然比抽样方法更有效。

与整个响应的全局低阶逼近相比，最可能失效点(MPP)附近的极限状态近似值更为精确。给出了这些“经典”方法的一个很好的概述。

在我们的研究中，我们研究了几种方法。对于我们的应用来说，一个可靠和健壮的方法是自适应重要性采样策略。在该方法中，通过迭代调整修改后的采样密度来获得重要采样密度。

随着随机变量数量的增加，由于密度统计估计的准确性较低，该方法变得低效。因此，建议将此方法应用于具有多达20个随机变量的问题。

此外，它只能分析一个优势破坏区域。在我们的研究中，离散分布类型与连续随机变量一起使用，我们观察到额外的数值努力，以获得与纯连续问题相似的失效概率估计精度。

这是由于标准正态空间中极限状态函数的人为不连续造成的，如图3所示(见上一页)。即使对于连续极限状态函数，由于分布离散，也会出现这种不连续。这种现象导致多个最可能的失效点，从而降低了正态抽样密度的效率。

为了克服一个主要失效区域的限制，根据[Geyer]，我们使用设计点(ISPUD)通过多模态密度扩展了重要性抽样。修正后的抽样密度可以由高斯空间中具有不同中心点和单位协方差的任意数量的单个抽样密度组成。图4显示了四个单独故障区域的采样情况。

在多模态ISPUD方法中，在检测到最重要的失效区域后，将相应的最可能失效点作为采样密度的中心。由于失效概率不是用距离类似形式估计的，而是用更精确的重要性抽样来估计的，因此即使是非线性的极限状态函数也可以准确地评估。此外，局部优化器在估计局部最可能的故障点时不需要非常准确。

应用实例

在这个例子中，我们研究了交通堵塞结束的场景，在这个场景中，一辆自我车辆包括一辆领头的车辆在高速公路上行驶到交通堵塞的尽头。在一定的时间内，领头的车辆会改变车道，自我车辆必须检测到最后一辆堵塞的车辆，以便进行无事故制动。

在仿真软件中，根据给定的输入参数估计碰撞时间(TTC)。我们将此TTC视为极限状态，并利用可靠性算法研究了几种极限状态。

作为输入散射，我们假设了9个连续的散射参数，分别是前导车辆和塞车的终点速度、拉出时间、前导车辆的制动减速以及塞车和前导车辆的车道偏移量。车道数、领头车辆类别和拉出方向采用离散随机分布建模。

为了更有效地执行分析和验证，在第一步中，基于1000个样本创建了一个全局元模型。为了获得更多的样本，从而提高相关区域的准确性，采用了局部适应策略(Adaptive Metamodel of Optimal Prognosis， [Ansys Dynardo, Most])。万博基于这个快速元模型，我们研究了多模态和自适应采样重要性采样，并与蛮力蒙特卡罗模拟进行了比较。

在图5中(参见上一页)显示了12维元模型的一个子空间。如图所示，在这种情况下，领先车辆的速度和堵塞终点的速度是最重要的。此外，碰撞时间与输入参数的关系几乎是单调的。因此，我们期望得到不同的失效区域，主要是由于离散参数的不同组合。

图6显示了一个特定失效极限下多个FORM的收敛情况。可以看出，优化器收敛到不同的可靠性指标值，对应不同的最可能失效点。共检测到20个故障点作为重要抽样的采样中心。

结果表明，多模态ISPUD算法是最有效的算法，特别是对于小故障概率，这是预期的应用领域。图7显示了原始参数空间中三个最重要参数的重要性采样密度。其次，直接利用交通仿真软件应用多模态和自适应重要抽样。蒙特卡罗模拟由于计算工作量大而不能应用。表2对结果进行了比较。同样，两种方法的结果非常吻合，而ISPUD方法需要较少的样本。

由于FORM方法只应用于元模型，因此元模型总共需要1000个样本加上5000个样本。然而，用真实解算器估计的失效概率比用元模型估计的要大得多。

我们总是使用直接求解器来应用ISPUD方法。如果最可能的故障点估计不是很准确，我们仍然得到有效的结果，因为ISPUD算法一直运行采样，直到获得估计的故障概率的一定精度。

最后，我们研究了得到的最可能失效点精度的影响。为此，我们再次使用元模型，考虑到碰撞时间的失效限制为0.5s。我们通过修改FORM搜索中的极限状态而在ISPUD采样中保留原始状态来初始化错误的故障点。图8显示了结果。可以看出，如果密度中心点向失效区域内移动，则不安全样本的数量会增加，这将提高估计失效概率的准确性。

因此，需要较少的样品来获得所需的10%的精度。另一种情况是，当估计的失效点以及重要采样密度的中心点位于安全区域太远时，不安全区域的样本数量会减少，从而使ISPUD所需的样本总数增加。然而，在所有三种情况下，对失效概率的估计是相当准确的。

结论

在本文中，我们提出了一种用于验证高级驾驶员辅助系统的特定交通场景可靠性评估的自动方法。在分析中，采用软件在环技术将控制装置表示为仿真模型。

该仿真控制器的特定输入在随机分析中被建模为随机输入。基于失效准则的定义，可以应用众所周知的可靠性算法。在我们的研究中，我们只使用经典的蒙特卡罗模拟进行验证，因为它需要大量的数值努力来证明小事件概率。为了减少必要的模拟运行次数，采用方差降低重要抽样。为此，我们使用多设计点搜索方法来检测重要的故障区域。

基于一个可信的误差估计，我们可以确保采样循环继续进行，直到获得所需的概率估计精度。所提出的方法能够以最少的人工输入为特定场景自动证明高级驾驶员辅助系统的可靠性。然而，非常重要的一点是所研究情景的输入不确定性的量化。这些假设强烈影响最终估计的故障率，因此，应注意从真实世界的观察中得出关于分布类型、分散和事件相关性的适当假设。