Auf dem Weg der Entwicklung des automatisierten Fahrens ist die Abdeckung von Verifikation und Validierung (V&V) eines der am intensivsten diskutierten Themen, insbesondere die szenariobasierte oder datengesteuerte Validierung. Das Erstellen realistischer Szenarien ist eine zentrale Herausforderung, bei der die entscheidende Anforderung darin besteht, realistische Szenarien der Straßenbedingungen (lange Straßen) wie Verkehrsverhalten, Wetter, Tageszeit und vieles mehr zu haben.

Um die Herausforderung zu meistern, äußerst realistische Szenarien zu erstellen, hat KPIT einen Prozess/Framework entwickelt, um Laufwerksdaten in testbare Szenarien umzuwandeln, um qualitativ hochwertige und genaue Tests durchzuführen. Die tatsächlichen Testfahrtdaten werden zur Analyse verwendet und interessante Ereignisse für die automatisierten Fahrfunktionen werden geschürft. Diese interessanten Ereignisse werden weiter verarbeitet und in synthetische Szenarien umgewandelt. KI-Technologien wie SLAM werden zur Identifizierung der Fahrzeugtrajektorie verwendet, Deep-Learning-Algorithmen werden zur Identifizierung relevanter Verkehrsteilnehmer, deren Klassifizierung und Trajektorienschätzungen verwendet.

Lassen Sie uns einen detaillierten Blick auf die verschiedenen Prozesse und KI-Techniken werfen, die verwendet werden, um hochwertige Szenarien zu extrahieren und abzuleiten, die die V&V-Abdeckung für das automatisierte Fahren zusammen mit umfassenden Anwendungsfalltests sicherstellen

1. Arbeitsablauf auf hohem Niveau.

Die Fahrprotokolle werden analysiert, um kritische oder interessante Ereignisse zu identifizieren, die während echter Straßentests aufgetreten sind. Die identifizierten kritischen Ereignisse werden dann verarbeitet, um synthetische Szenarien zu erstellen oder abzuleiten, die zur Validierung durch Simulation verwendet werden können (datengetriebene Validierung).

Abbildung 1: Workflow auf hoher Ebene

2. Schritte zur Erstellung synthetischer Szenarien aus realen Straßenfahrdaten

Abbildung 2: Schrittweiser Ablauf des Prozesses

1. Ereignisauswahl/-extraktion: Dieser erste Schritt besteht darin, kritische Ereignisse zu identifizieren. Die Fahrtdaten werden einem komplexen Algorithmus unterzogen, der die Daten auswertet, um kritische Ereignisse zu identifizieren, die während der Fahrt aufgetreten sind. Beispielsweise hat sich eine Funktion nicht wie erwartet verhalten, oder eine Funktion wurde zu spät/zu früh aktiviert, ein Ereignis einer späten Bremse usw.
2. Datenfilterung: Sobald das Ereignis identifiziert ist, besteht der nächste Schritt darin, geeignete und relevante Daten zu filtern, die für die Verarbeitung erforderlich sind. Erforderliche Datenmenge aus allen erforderlichen Quellen (wie Fahrzeugprotokolle, Sensorprotokolle usw.) der verfügbaren Eingaben werden extrahiert.
3. Eingabedatenverarbeitung: Daten werden auf Korrektheit geprüft und auf Synchronisation zwischen verschiedenen Eingangsdatenströmen geprüft. Wenn die gefundenen Daten nicht synchron sind, werden verschiedene Methoden zur Synchronisierung zwischen Daten angewendet. Zum Beispiel schaltet der Fahrer beim Start der Fahrt den Scheibenwischer ein, was im Video festgehalten wird. Der Zeitstempel wird mit dem Wiper-Statussignal verglichen und die Streams werden an relevante Zeitstempel angepasst und Daten synchronisiert.
4. Datenanalyse oder Szenenverständnis: Dies ist der kritischste Schritt, bei dem verschiedene Parameter der Versuchsfahrzeuge (Geschwindigkeit, Position zur Straße, Gierwinkel usw.), Verkehrsfahrzeuge (Geschwindigkeit, relativer Abstand zum Versuchsfahrzeug, Position, Ausrichtung usw.), Straßenparameter ( Anzahl der Fahrspuren, eventuelle Kreuzungen usw.) werden zur weiteren Verarbeitung abgeleitet. Die Methode zur Ableitung der Parameter hängt hauptsächlich von der Verfügbarkeit der Eingabedaten ab. Typischerweise wird dieser Prozess schwieriger, wenn die Eingabedaten sehr begrenzt sind. In solchen Fällen werden KI-Techniken implementiert
5. Szenenrekonstruktion: Die in Schritt 'd' abgeleiteten Parameter werden kategorisiert und in einen Datenstrom segmentiert, der für die Szenenkonstruktion nach offenen Standards (OpenDRIVE und OpenSCENARIO) benötigt wird. Immer mehr Organisationen migrieren zu offenen Standards, da dies den Vorteil bietet, jeden Simulator mit minimalen Änderungen am Szenariomodell zu verwenden. OpenSCENARIO ist ein Standardformat zum Definieren von Fahrzeugmanövern und OpenDRIVE ist ein Standardformat zum Definieren der Straßeninfrastruktur.
6. Szenariomodellierung: Der Prozess, bei dem die Open-Standard-Daten für Ausgaben des obigen Schritts generiert und mit dem erforderlichen Simulator kompatibel gemacht werden. Die Open-Standard-Daten sind mit allen handelsüblichen Simulatoren sowie Open-Source-Simulatoren kompatibel, in denen das Szenario verwendet und visualisiert wird.

3. Art der Daten, die zur Ableitung von Szenarien erforderlich sind

Daten aus verschiedenen Quellen sind erforderlich, um Szenarien aus realen Daten abzuleiten

Tabelle 1: Eingabedatenanforderung

4. Implementieren von KI-Techniken

Die Methodik für die Szenenableitung hängt von der Verfügbarkeit der Eingabedaten ab.

Abbildung 3: Workflow der Szenenerstellung basierend auf der Datenverfügbarkeit.

Wenn die meisten der in Tabelle 1 erforderlichen Eingaben verfügbar sind, wird der Prozess einfach und hochgradig automatisiert, mit Hilfe von Parsern und Automatisierungsskripten können die Szenarien aus den realen Antriebsdaten in synthetische Szenarien umgewandelt werden.

Typischerweise ist dies nicht der Fall und die bereitgestellten Eingaben sind begrenzt und somit wird der Prozess komplexer. Hier hilft KI bei der Rationalisierung des Prozesses.

Betrachten Sie ein Beispiel, bei dem nur Videodaten als Eingabe ohne andere Daten wie Sensor- oder Fahrzeugprotokolle verfügbar sind. In diesem Szenario können KI-Techniken wie Simultaneous Localization and Mapping (SLAM) zum Ableiten von Subjektfahrzeugparametern verwendet werden. SLAM verwendet einen Referenzpunkt in einem gegebenen Plan, um eine Karte einer unbekannten Umgebung zu erstellen oder zu aktualisieren, während gleichzeitig der Standort eines Agenten (z. B. eines betroffenen Fahrzeugs) darin verfolgt wird. Mit SLAM werden wir in der Lage sein, das betreffende Fahrzeug zu verfolgen und seine Standort- und Positionsinformationen abzuleiten. SLAM hat auch einige Einschränkungen, dh es kann nicht für längere Datensätze verwendet werden, da der Schätzfehler zunimmt. Um dies zu vermeiden, wird der Datensatz segmentiert, für kleinere Segmente berechnet und dann mit minimalen Rechenfehlern wieder zusammengefügt.

Nachdem das Problem der Schätzung des Subjektfahrzeugs gelöst wurde, wäre die nächste Herausforderung die Ableitung von Verkehrsparametern und der Straßengeometrie. Dies kann mit einem auf Deep Learning basierenden Algorithmus zur Ableitung von Verkehrsparametern wie Position, Klassifizierung, Geschwindigkeit usw. und Straßenparametern wie Spurinformationen gemildert werden. Ein gut trainierter DL-Algorithmus wird auf dem Video ausgeführt, um die erforderlichen Verkehrsteilnehmer und Straßeninformationen zu identifizieren.

Alle diese Parameter werden dann entsprechenden Tags in OpenDrive und OpenScenario mit richtigen Transformationen zugeordnet, um eine Szenariodatei zu generieren. Diese Szenariodatei wird dann in einem Simulator verwendet, um das Szenario zu visualisieren. Mit der Verfügbarkeit der Kamerakonfigurationsparameter (intrinsisch und extrinsisch), die für die Datenerfassung verwendet werden, kann ein gewisses Maß an genauen Szenariomodellen generiert werden.

Abbildung 4: Beispielbild des Open Drive-Formats (XODR)

Abbildung 5: Beispielbild des Open Scenario-Formats (XOSC)

Die oben genannten Techniken helfen bei der Generierung hochwertiger realistischer Szenariomodelle für reale Straßendaten, die für die Validierung verwendet werden können. Die Validierungstechnik kann ein Closed-Loop-Testen eines AD-Stacks oder einer AD-Funktion sein.

Zusammenfassend lässt sich sagen, dass die Implementierung dieser KI-Techniken zur Szenarioerstellung aus Daten aus der realen Welt dazu beiträgt, qualitativ hochwertige Szenarien zu erstellen, und außerdem mehrere Vorteile mit sich bringt, wie z.

• Zeitersparnis von bis zu 50% durch Automatisierung,
• Erstellung realistischer Szenarien mit begrenzten Datensätzen (z. B. nur Kameradaten)
• und die Parametrisierung dieser realistischen Szenarien ermöglicht das genaue Testen von Millionen von Szenarien, um die erforderliche Abdeckung sicherzustellen.

Insgesamt werden die aus diesen Techniken generierten hochwertigen Szenarien dazu beitragen, den Bedarf an Straßentests zu reduzieren, da die meisten Regressionstests für kommende AD-Stacks und -Funktionen in der Simulationsumgebung durchgeführt werden können.