기대되는 기능안전성 시나리오 라이브러리의 복합정량화 방법 연구

Pegasus 장면 레이어링 시스템을 기반으로 장면 데이터의 품질을 평가하기 위해 장면 복잡도에 대한 정량적 방법을 제안합니다. 이 방법은 각 레이어의 요소들의 행렬식을 결정하고, 이를 기반으로 각 레이어의 요소 복잡도를 결정하고, 각 레이어의 요소 복잡도의 합을 계산하여 장면 데이터의 전체 복잡도를 구하는 방법이다. 또한, "과잉 복잡도" 현상을 방지하기 위해 "모자 라이브러리" 방법과 "시스템 시나리오 확률" 방법을 제안합니다. 수정된 복잡도를 구합니다. 연구 결과는 이러한 방법을 통해 합리적이고 사용 가능한 장면 라이브러리를 구축할 수 있음을 보여준다.

자율주행차의 안전 문제로 인한 위험의 주요 원인은 두 가지 측면을 포함합니다. (1) 전자 및 전기 고장 또는 소프트웨어 시스템 고장으로 인한 피해. 이러한 이유로 ISO는 ISO26262 "도로 차량 - 기능 안전 표준"을 제안한 반면, 중국은 이에 상응하는 GB/T 34590 "도로 차량 - 기능 안전 표준"을 제안했습니다. (2) 불충분한 시스템 성능 또는 합리적으로 예측 가능한 인간의 오용으로 인해 발생하는 피해. 이러한 이유로 ISO는 SOTIF 표준이라고 하는 ISO/PAS 21448 의도된 기능의 안전성을 제안했습니다.

SOTIF 표준에서는 자율주행차가 운전할 때 직면하는 시나리오를 그림 1과 같이 알려진 안전 시나리오, 알려진 안전하지 않은 시나리오, 알려지지 않은 안전 시나리오, 알려지지 않은 안전하지 않은 시나리오의 4가지 범주로 나눕니다. 알려진 보안 시나리오와 알려지지 않은 보안 시나리오의 경우 SOTIF 표준에서는 아무런 주의도 기울이지 않습니다. 알려진 위험 시나리오에 대해 SOTIF 표준은 방법론을 제안합니다. 자율주행차 관련 시스템의 성능을 향상시키거나 관련 시스템의 동작 영역을 축소하고, 관련 시나리오 라이브러리를 기반으로 테스트 및 검증을 수행하는 것, 즉 알려진 위험 시나리오를 알려진 안전한 시나리오로 변환하는 것이 목적이다.

알 수 없는 위험 시나리오의 경우, 시나리오 라이브러리를 기반으로 수많은 실험을 수행하여 관련 시스템에서 잠재적인 안전 위험 시나리오를 발견하고 감지할 수 있습니다. 즉, 알려지지 않은 위험 시나리오를 알려진 위험 시나리오로 변환할 수 있습니다. 마지막으로 위의 방법론을 기반으로 알려진 위험 시나리오를 알려진 안전한 시나리오로 변환합니다. 즉, SOTIF 표준의 목표는 자율주행차 관련 시스템이 주행 시 직면하는 알려진 안전 및 알려지지 않은 안전 시나리오의 범위를 최대한 확장하여 알려진 위험과 알려지지 않은 위험 시나리오의 범위를 최대한 줄이는 것입니다. , 그림 2에 표시된 것처럼. 위의 목표를 달성하기 위한 핵심 요소 중 하나는 예상되는 기능 안전 시나리오의 고품질 라이브러리를 구축하는 것입니다.

현재 많은 기업과 조직에서는 예상되는 기능 안전 시나리오에 대한 자체 라이브러리를 구축했습니다. 예: Kitti 장면 라이브러리, NuScenes[6] 장면 라이브러리, Lyft 자율주행차 장면 라이브러리 등 대부분의 기업과 기관은 장면 라이브러리 구축 과정에서 장면 라이브러리 데이터 수집에 중점을 두고 있지만, 수집된 장면 데이터의 품질에 대한 합리적인 정량적 지표가 부족합니다.

이것은 의심할 바 없이 두 가지 문제를 야기합니다:

(1) 장면 라이브러리에는 대량의 반복적이고 품질이 낮은 장면 데이터가 포함되어 장면 라이브러리 기반 테스트 시간이 너무 길어질 수 있습니다. 자율주행조차 발견할 수 없다. 자동차의 성능 결함으로 인해 테스트 결과의 신뢰성이 떨어진다.

(2) 서로 다른 장면 라이브러리 간의 장단점을 비교할 수 없으므로 자율주행차 장면 라이브러리 테스트를 위한 최적의 장면 라이브러리 데이터를 선택할 수 없습니다. 따라서 장면 라이브러리의 품질을 정량화하기 위해서는 과학적이고 합리적인 방법을 채택하는 것이 매우 필요합니다. 장면 데이터가 복잡할수록 관련 시스템에 대한 도전 과제가 커지고 관련 시스템의 성능 결함을 감지할 가능성도 커집니다. 따라서 장면 데이터의 복잡성은 장면 라이브러리의 품질에 영향을 미치는 핵심 요소 중 하나라고 볼 수 있다.

이 글에서는 장면 데이터의 복잡성을 정량화하는 방법을 제안합니다. 이 방법은 독일 Pegasus 프로젝트의 Scene Layering 시스템을 기반으로 하며, 장면 내 요소를 분류하고 계산하여 장면 데이터의 요소 복잡도를 계산하고 장면 데이터의 품질을 평가합니다.

1 Pegasus Scene Layered System

Pegasus 프로젝트는 자율주행차와 관련된 일련의 테스트 표준을 개발하기 위해 독일 자동차 산업의 관련 기업 및 연구 기관이 공동으로 추진한 프로젝트입니다. 이 프로젝트는 장면 레이어링 시스템을 제안합니다. 즉, 장면은 서로 다른 장면 요소에 따라 장면의 6개 레이어로 구분됩니다(표 1 참조).

장면 데이터는 그림 3에 나와 있습니다. Pegasus 장면 계층화 시스템을 기반으로 장면 데이터를 계층화할 수 있습니다(표 2 참조).

2 장면 데이터의 복잡한 수량화 방법

Pegasus 장면 계층화 시스템은 장면 요소를 계층화합니다. 이 기사에서는 각 레이어의 요소를 추가로 분석하고 각 요소 레이어의 복잡성을 정량화합니다.

도로 레이어의 복잡성은 주로 차선의 가시성에 따라 결정됩니다. 표 3을 참조하세요. 명확한 차선의 경우 복잡성은 1입니다. 막히거나 마모된 차선은 차선 인식에 영향을 미치며 복잡성은 2입니다. 도로에 물이 쌓이고 차선이 얼음으로 덮이면 차선 인식에 영향을 미칠 뿐만 아니라 운전 장애도 발생합니다. 복잡도가 3인 불규칙한 차선은 차선을 잘못 인식하여 차량이 잘못된 방향으로 이동할 수 있습니다. 복잡도가 4인 차선이 없는 장면은 차량 이동 방향에 영향을 미칠 수 있습니다. 복잡도는 4입니다. 5.

교통시설 레이어의 복잡성은 주로 교통시설의 가시성에 따라 결정됩니다. 표 4를 참조하세요. 교통시설이 없는 장면은 복잡도 1을 가지며, 교통시설이 너무 멀리 떨어져 있어 명확하게 식별할 수 없는 장면은 복잡도 3을 갖는다. 더러움 등 식별하기 어려운 시나리오는 복잡도 4단계, 불규칙한 교통시설은 오인을 유발하여 신호등이 빨간불로 운행되는 등 위험한 행동으로 이어질 수 있으며 복잡도는 5단계입니다.

임시 교통 이벤트 레이어의 복잡성은 주로 해당 이벤트의 우발성과 예측 가능성에 의해 결정됩니다. 표 5를 참조하세요. 일시적인 교통사고가 없는 경우 교통 통제 등 일시적인 교통사고가 있고 현장을 유지 관리할 전담 인력이 있는 경우 복잡성은 2입니다. 건설, 교통사고 등의 복잡성은 3입니다. 운전에 더 큰 영향을 미치는 일시적인 교통 사건은 복잡성이 4입니다. 5의 복잡성.

교통 참가자 레이어의 복잡성은 참가자의 공통성과 규정 준수에 따라 결정됩니다. 표 6을 참조하세요. 교통 참여자가 없는 경우 복잡도는 1이고, 장면에 차량만 포함되어 있고 보행자, 자전거 등의 일반 참여자가 포함되어 있고 규정에 따라 지정된 위치(예: 보도, 자전거 도로)에 있는 경우 복잡도는 2입니다. 등), 복잡도는 3 이고, 보행자, 자전거 등 일반 참가자가 포함되어 있으며 규정에서 지정한 위치(도로를 횡단하는 보행자, 자동차 차선에서 주행하는 자전거 등)에 위치하지 않는 경우 복잡도는 4입니다. 흔하지 않은 교통 참가자(예: 코끼리를 끄는 트럭, 말을 탄 보행자 등)의 복잡성은 5입니다.

환경 조건 레이어의 복잡성은 주로 가시성에 따라 결정됩니다. 표 7을 참조하세요. 맑은 날의 높은 가시성은 1이고, 비오는 날과 저녁의 중간 가시성은 2입니다. 밤에는 주변 조명이 없으며, 그 복잡도는 3입니다. 복잡도는 4입니다. 짙은 안개 하늘 가시성은 매우 낮으며 복잡도는 5입니다.

정보층의 복잡도는 주로 교통정보 유무에 따라 결정되는데, 표 8을 참고하세요. 고정밀 지도가 있거나 V2X가 교통 정보를 제공하는 경우 복잡도는 1이고, 고정밀 지도가 없거나 V2X가 교통 정보를 제공하는 경우 복잡도는 2입니다.

위의 레이어링 방법과 각 레이어의 복잡도 정량화 방법을 통해 단일 장면 데이터의 복잡도, 즉 각 레이어의 복잡도의 합을 계산할 수 있습니다. 예를 들어, 그림 3의 장면 데이터는 18의 복잡도를 갖습니다(각 레이어의 복잡도는 표 9 참조).

전체 장면 라이브러리에 대해 각 장면 데이터의 복잡도를 추가하고 이를 다음의 장면 데이터로 나눕니다. 장면 라이브러리 총 개수는 전체 장면 라이브러리의 복잡성입니다. 장면 라이브러리의 복잡성을 기반으로 다양한 장면 라이브러리의 품질을 비교할 수 있습니다.

공간 제한으로 인해 위의 각 레이어 복잡성 표에 모든 요소가 나열되고 다루어지지는 않는다는 점에 주목할 가치가 있습니다. 열거되거나 다루어지지 않은 요소의 경우 해당 요소가 위치한 레이어의 복잡도를 결정하는 요소에 따라 복잡도를 결정해야 합니다. 예를 들어, 환경 조건 레이어의 복잡성을 결정하는 요소는 가시성입니다. 안개가 낀 날에 나열되지 않은 낮은 농도의 경우 가시성은 야간 주변 조명의 가시성과 동일하므로 복잡성은 3입니다.

3 장면 데이터 복잡도 보정

위의 복잡도 정량화 방법을 사용하여 장면 라이브러리를 구축할 때 "과복잡성" 현상이 발생하기 쉽습니다. 장면 라이브러리, 장면 라이브러리는 복잡도가 높은 장면만 수집합니다. 시나리오는 시나리오 라이브러리를 매우 복잡하게 만들지만 발생 확률이 매우 낮은 시나리오를 포함하므로 궁극적으로 시스템 성능 결함을 감지할 수 없게 됩니다. "지나친 복잡성" 현상을 피하기 위해 이 기사에서는 "모자 라이브러리"와 "시스템 시나리오 확률"이라는 두 가지 개념을 제안합니다.

3.1 모자 데이터베이스

실제 장면 데이터베이스 수집 과정에서는 무작위 위치, 무작위 시간대, 무작위 기후 등 무작위 수집 방법으로 수집된 데이터가 "어머니 데이터베이스"를 구성합니다. 이후, 해당 시스템의 특성과 운영 영역을 토대로 "모 라이브러리"에서 "하위 라이브러리"를 추출한다. 예를 들어 고속도로에만 적용되는 자율주행 시스템의 경우 고속도로의 장면 데이터를 "상위 라이브러리"에서 추출하여 "하위 라이브러리"로 구성합니다. 예를 들어 특정 도시를 위해 개발된 자율주행 시스템의 경우 해당 도시의 장면 데이터를 "모체 데이터베이스"에서 추출하여 시스템의 "하위 데이터베이스"를 형성합니다.

주목할 가치가 있습니다. 이론적으로는 "어머니 라이브러리"를 먼저 구축한 다음 "하위 라이브러리"를 추출하거나, "하위 라이브러리"를 먼저 구축한 다음 "어머니 라이브러리"로 집계할 수 있습니다. 도서관". 하지만 이 글에서는 '엄마가 먼저, 아들은 둘째' 방식을 권장합니다. "모 라이브러리"의 구성이 무작위이기 때문에 "모 라이브러리"에서 추출된 "자식 라이브러리"도 임의의 속성을 갖습니다. "하위 라이브러리"가 먼저 구축되고 "하위 라이브러리"가 시스템 특정적이기 때문에 구축 프로세스에서 완전한 무작위성을 달성하기가 어렵습니다.

3.2 시스템 시나리오 확률

"마더 라이브러리"에서 추출된 "하위 라이브러리"에 대해 시스템 운영 중에 시나리오의 각 요소 레이어가 나타날 확률, 즉 시스템 시나리오 확률을 추가로 분석합니다. . 예를 들어 고속도로에만 적합한 자율주행 시스템의 경우 교통 참여자 레이어에 차량만 포함될 확률(복잡도 2)이 보행자와 자전거가 있을 확률(복잡도 3)보다 훨씬 높습니다. 따라서 이 계층의 요소 복잡도를 평가할 때 이 계층의 최종 복잡도를 얻기 위해서는 복잡도에 확률 계수를 곱하는 것도 필요합니다. 공식은 다음과 같습니다.

공식에서 C는 장면 데이터의 최종 복잡도입니다. 는 번째 레이어 장면 요소의 복잡도입니다. 는 번째 레이어 장면 요소의 확률 계수입니다. 해당 시스템이 실행 중일 때 나타납니다.

3.3 "과잉 복잡도" 현상 방지

"모자 라이브러리"와 "시스템 시나리오 확률"을 사용하여 "과잉 복잡도" 현상을 방지할 수 있습니다. 주요 이유는 다음과 같습니다. (1) “어머니 도서관”을 구축할 때 “어머니 도서관”의 수집 과정에서 인적 요소를 줄이기 위해 무작위 위치, 무작위 기간, 무작위 기후 등의 무작위 수집 방법이 사용됩니다. (2) 특정 시스템의 경우 관련 "하위 라이브러리"는 "모 라이브러리"에서 추출되며, 이는 "하위 라이브러리"에서 인적 요소를 간접적으로 피합니다. (3) 시스템 실행 시 장면 발생 확률과 복잡도를 기반으로 최종 장면 복잡도를 계산합니다. 복잡성과 확률의 객관적인 요소를 결합하면 인적 요소의 영향을 피할 수 있습니다. 예를 들어 복잡도가 높고 확률이 낮은 장면 요소의 경우 또는 복잡도가 낮고 확률이 높은 장면 요소의 경우 최종 장면 복잡도 값이 더 낮을 수 있습니다.

3.4 확률 계수 값

시스템마다 확률 계수가 다릅니다. 예를 들어, 고속도로 사용으로 제한되는 시스템의 경우 교통 참여자 레이어에 나타나는 차량만의 확률 계수는 도시 교통 시나리오에서 사용할 수 있는 시스템의 경우 보행자와 자전거의 확률 계수보다 큽니다. 교통참여자 레이어에 나타나는 보행자와 자전거의 확률계수는 차량만의 확률계수보다 크다. 또한 동일한 시스템의 경우 자율 주행 개발 프로세스의 여러 단계에서 확률 계수도 다를 수 있습니다. 예: 이 단계에서 정보 계층에 고정밀 지도 또는 V2X가 있는 시스템의 확률 계수는 고정밀 지도 또는 V2X가 없는 시스템의 확률 계수보다 낮습니다. 자율주행 개발 과정의 후반 단계에서 고정밀 지도나 V2X가 있는 시스템의 확률계수는 고정밀 지도나 V2X가 없는 시스템의 확률계수보다 높을 수 있습니다.

따라서 다양한 시스템의 경우 운영 범위, 위치, 시간, 목표 시장, 전체 시장 수준 등 다양한 측면을 고려하여 다양한 시나리오 요소의 확률 계수를 결정해야 합니다.

4 결론

ISO/PAS 21448의 요구 사항을 충족하려면 예상되는 기능 안전 시나리오 라이브러리를 구축해야 합니다. 그러나 장면 라이브러리의 구성 품질에는 해당 정량적 지표가 부족합니다. Pegasus 장면 레이어링 시스템을 기반으로 이 문서에서는 장면 라이브러리의 품질을 평가하기 위해 각 요소 레이어의 복잡성을 정량화합니다. 동시에 '과도한 복잡성' 현상을 피하기 위해 '모자 도서관'과 '시스템 시나리오 확률'이라는 두 가지 개념을 제안하고, '모자 도서관' 구축 방법과 방법을 제안했다. "시스템 시나리오 확률"을 계산하는 방법을 설명하였고, 이를 바탕으로 최종 복잡도를 계산하는 방법을 설명하였다. 이 기사에 언급된 정량화 방법과 "과도한 복잡성"을 방지하는 방법은 예상되는 기능 안전 시나리오 라이브러리의 구축 및 홍보에 중요한 역할을 합니다.

위 내용은 기대되는 기능안전성 시나리오 라이브러리의 복합정량화 방법 연구의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!