自动驾驶车辆感知失效的任务感知风险估计

摘要

本文介绍了自动驾驶车辆感知失效的任务感知风险估计。安全性和性能是自动驾驶的关键因素：一方面，希望我们的自动驾驶车辆（AVs）是安全的，同时它们的性能（例如舒适性或者连贯性）是考虑的关键。为了有效地权衡安全性和性能，AVs需要抵抗风险，但不能完全规避风险。为了促进安全而高效的驾驶，在本文中，我们开发了一种任务感知风险估计器，用于评估感知失效对无人驾驶车辆运动规划造成的风险。如果感知失效与无人驾驶车辆运动规划的安全性无关，则无论感知失效有多严重，我们的任务感知风险估计器认为感知失效的风险很低；另一方面，如果感知失效严重地影响了运动规划，那么我们的估计器认为其具有很高的风险。本文提出了一种任务感知风险估计器来决定是否需要触发安全机制。为了估计任务感知风险，首先我们利用感知失效（由感知监测器检测）来合成用于车辆周围环境的替代合理的模型。感知失效导致的风险随后被转换为感知场景和替代合理场景之间无人驾驶车辆运动规划的“相对”风险。我们采用一种称为“copula”的统计工具对分布之间的尾部相关性进行建模，以估计这种风险。copula的理论性质使我们能够计算概率近似正确（PAC）的风险估计。我们使用NuPlan评估任务感知风险估计器，并且将它与已建立的基准比较，结果表明，本文所提出的风险估计器实现了最佳的F1分数（是最佳基准分数的两倍），并且在召回率和准确率之间表现出良好的平衡，即安全性和性能之间的良好平衡。

主要贡献

本文的贡献如下：

1）本文将相对场景风险（RSR）的概念形式化，这是任务感知风险估计的基础；

2）本文开发一种算法，通过利用copula在运行时估计RSR，并且还为我们估计的正确性提供概率保证；

3）最后，我们在NuPlan中创建的100个现实感知失效场景的数据集上，通过将本文方法与先前的方法进行比较，证明了本文框架的有效性。

论文图片和表格

总结

本文提出了一个框架用于评估感知失效对无人驾驶车辆运动规划造成的风险。我们首先识别感知失效模式，接着为当前场景合成合理的替代场景，然后评估无人驾驶车辆在合理的替代场景中面临的风险比感知到的场景中面临的风险高多少。我们将任务感知风险形式化为p-quantile相对场景风险，然后开发一种使用i.i.d.样本估计它的算法。此外，我们为风险估计提供PAC边界，这确保本文算法大概率具有正确性。最后，对本文方法的实验评估表明，本文的检测器在准确率、召回率、精度和F1分数方面优于基准。

作为我们未来工作的一部分，我们将开发整个集成的任务感知监测器，其包含三个构建模块（感知失效检测和识别模块、合理的场景生成器、任务感知风险估计器），并且评估其闭环性能。我们还将探索风险对抗和风险阈值参数的数据驱动校准和在线自适应。最后，我们将努力改进本文方法的耗时。如上所述，本文实验的计算瓶颈来自于查询Trajectron++。我们将使用更快的预测网络来加快我们的计算速度。

文章转载自公众号：自动驾驶专栏