与人类驾驶相比，自动驾驶汽车有可能降低事故率。此外，这是自动车辆在过去几年中快速发展的动力。在高级汽车工程师（SAE）自动化级别中，车辆和乘客的安全责任从驾驶员转移到自动化系统，因此对这种系统进行彻底验证至关重要。最近，学术界和行业将基于方案的评估作为道路测试的互补方法，减少了所需的整体测试工作。在将系统的缺陷部署在公共道路上之前，必须确定系统的缺陷，因为没有安全驱动程序可以保证这种系统的可靠性。本文提出了基于强化学习（RL）基于场景的伪造方法，以在人行横道交通状况中搜索高风险场景。当正在测试的系统（SUT）不满足要求时，我们将场景定义为风险。我们的RL方法的奖励功能是基于英特尔的责任敏感安全性（RSS），欧几里得距离以及与潜在碰撞的距离。
translated by 谷歌翻译
最近的自动驾驶汽车（AV）技术包括机器学习和概率技术，这些技术为传统验证和验证方法增添了重大复杂性。在过去的几年中，研究社区和行业已广泛接受基于方案的测试。由于它直接关注相关的关键道路情况，因此可以减少测试所需的努力。编码现实世界流量参与者的行为对于在基于方案的测试中有效评估正在测试的系统（SUT）至关重要。因此，有必要从现实世界数据中捕获方案参数，这些参数可以在模拟中实际建模。本文的主要重点是确定有意义的参数列表，这些参数可以充分建模现实世界改变场景。使用这些参数，可以构建一个参数空间，能够为AV测试有效地生成一系列具有挑战性的方案。我们使用均方根误差（RMSE）验证我们的方法，以比较使用所提出的参数与现实世界轨迹数据生成的方案。除此之外，我们还证明，在一些场景参数中增加一些干扰可以产生不同的场景，并利用对责任敏感的安全（RSS）度量来衡量场景的风险。
translated by 谷歌翻译