随着自动驾驶技术的快速发展,如何保证自动驾驶系统的安全性变得愈发重要,因此预期功能安全(Safety of The Intended Functionality, SOTIF)的概念应运而生,它主要是为了减少由于系统非预期的感知和决策错误而引起的危害。本文提出了一...随着自动驾驶技术的快速发展,如何保证自动驾驶系统的安全性变得愈发重要,因此预期功能安全(Safety of The Intended Functionality, SOTIF)的概念应运而生,它主要是为了减少由于系统非预期的感知和决策错误而引起的危害。本文提出了一种依托自然驾驶数据的SOTIF自动化生成测试用例的方法。通过采集360°IBEO与环视摄像头数据,分析了4000多个前车切入场景,对关键变量进行参数化建模。采用改进的Monte-Carlo抽样技术,处理独立与非独立随机变量的联合分布,生成覆盖广泛场景的测试用例。实验结果表明该方法显著提升了测试用例生成效率,全面覆盖边角、危险及极端场景,解决了SOTIF测试中自动化生成测试用例的难题,为自动驾驶系统的预期功能安全评估提供了有效支持。展开更多
文摘随着自动驾驶技术的快速发展,如何保证自动驾驶系统的安全性变得愈发重要,因此预期功能安全(Safety of The Intended Functionality, SOTIF)的概念应运而生,它主要是为了减少由于系统非预期的感知和决策错误而引起的危害。本文提出了一种依托自然驾驶数据的SOTIF自动化生成测试用例的方法。通过采集360°IBEO与环视摄像头数据,分析了4000多个前车切入场景,对关键变量进行参数化建模。采用改进的Monte-Carlo抽样技术,处理独立与非独立随机变量的联合分布,生成覆盖广泛场景的测试用例。实验结果表明该方法显著提升了测试用例生成效率,全面覆盖边角、危险及极端场景,解决了SOTIF测试中自动化生成测试用例的难题,为自动驾驶系统的预期功能安全评估提供了有效支持。
