構(gòu)建巨量的駕駛場(chǎng)景時(shí)，測(cè)試ADAS和AD系統(tǒng)面臨著巨大挑戰(zhàn)，如傳統(tǒng)的實(shí)驗(yàn)設(shè)計(jì)（Design of Experiments, DoE）方法難以有效覆蓋識(shí)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(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(jìn)的自適應(yīng)測(cè)試方法，顯著提升了尋找極端邊緣案例并進(jìn)行分析的能力。

一、傳統(tǒng)解決方案：靜態(tài)DoE

標(biāo)準(zhǔn)的DoE方案旨在系統(tǒng)性地探索場(chǎng)景的參數(shù)空間，從而確保能夠?qū)崿F(xiàn)完全的測(cè)試覆蓋范圍。但在邊緣案例，比如暴露在潛在安全風(fēng)險(xiǎn)的場(chǎng)景或是ADAS系統(tǒng)性能極限場(chǎng)景時(shí)，DoE方案通常會(huì)失效，讓我們看一些常見的DoE方案：

1、網(wǎng)格搜索法（Grid）

實(shí)現(xiàn)原理：將場(chǎng)景空間按照網(wǎng)格進(jìn)行劃分，并測(cè)試所有的參數(shù)組合。

優(yōu)勢(shì)：確保覆蓋所有的范圍。

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

2、隨機(jī)抽樣（Random Sampling）

實(shí)現(xiàn)原理：在定義的參數(shù)空間內(nèi)進(jìn)行隨機(jī)選擇測(cè)試樣例。

優(yōu)勢(shì)：易于實(shí)現(xiàn)，而且擴(kuò)展性能好。

缺點(diǎn)：可能會(huì)錯(cuò)過重要的樣例從而導(dǎo)致測(cè)試效果大打折扣。

3、拉丁超立方體抽樣（LHS）

實(shí)現(xiàn)原理：確保每個(gè)參數(shù)在相應(yīng)區(qū)間內(nèi)進(jìn)行均勻采樣，從而改善數(shù)據(jù)結(jié)果的分布。

優(yōu)勢(shì)：比隨機(jī)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(chǎng)景測(cè)試范圍，但是其結(jié)果或多或少都存在一定的缺陷，如針對(duì)于邊緣場(chǎng)景，傳統(tǒng)方法沒有考慮高風(fēng)險(xiǎn)因素以及自適應(yīng)學(xué)習(xí)過往測(cè)試結(jié)果的過程，針對(duì)這一點(diǎn)我們分享一個(gè)新的自適應(yīng)DoE解決方案：aiFab解決方案。

二、aiFab解決方案

在傳統(tǒng)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ADAS/AD系統(tǒng)的測(cè)試過程中，邊緣場(chǎng)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(huì)根據(jù)先前的測(cè)試結(jié)果，動(dòng)態(tài)選擇測(cè)試用例，在未通過的案例中學(xué)習(xí)并調(diào)整泛化注意力。

1、貝葉斯優(yōu)化（BO）：通過學(xué)習(xí)優(yōu)化的智能測(cè)試

貝葉斯優(yōu)化將全量搜索場(chǎng)景的方法轉(zhuǎn)換成由數(shù)據(jù)驅(qū)動(dòng)的智能方案，與隨機(jī)取樣等方案不同：

（1）BO方案將會(huì)預(yù)測(cè)最有可能暴露失敗風(fēng)險(xiǎn)的新測(cè)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(cè)試場(chǎng)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(jìn)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(cè)試下，有效找到目標(biāo)函數(shù)的最優(yōu)解。

2、映射目標(biāo)函數(shù)之關(guān)鍵性指標(biāo)

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(chǎng)景，aiFab中常見的KPI包括：

（1）碰撞時(shí)間TTC：決定車輛距離碰撞有多近

（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(jì)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(chǎng)景，而不是在常規(guī)場(chǎng)景上耗費(fèi)時(shí)間。

3、仿真記錄演示

為說明aiFab自適應(yīng)泛化場(chǎng)景，以下通過一系列仿真記錄來演示自車在不同臨界指標(biāo)下左轉(zhuǎn)的場(chǎng)景，每次迭代將會(huì)始終關(guān)注更為嚴(yán)苛的邊緣案例，以確保能夠發(fā)現(xiàn)潛在風(fēng)險(xiǎn)。

原始記錄：

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

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

入侵時(shí)間（ET）：評(píng)估車輛在交通沖突區(qū)域（如交叉口或其他關(guān)鍵區(qū)域）停留時(shí)間的指標(biāo)，特別是當(dāng)車輛的速度較低時(shí)。它反映了“Ego”車輛在這些區(qū)域內(nèi)暴露于潛在風(fēng)險(xiǎn)的時(shí)間長(zhǎng)度。

潛在碰撞時(shí)間（PTTC）：是通過車道基礎(chǔ)的度量來實(shí)現(xiàn)的，主要聚焦于識(shí)別和預(yù)防發(fā)生追尾碰撞的可能性。

三、結(jié)語

憑借最新的自適應(yīng)DoE功能，aiFab給ADAS/AD驗(yàn)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(xiǎn)場(chǎng)景而無需全量的網(wǎng)格測(cè)試

（2）更低的資源耗費(fèi)：專注于特定方向的案例場(chǎng)景

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

通過將自適應(yīng)測(cè)試集成到aiFab中，aiFab解決方案提高了效率，同時(shí)增強(qiáng)了ADAS和自主系統(tǒng)的安全性、性能和信心。