自动驾驶汽车场景测评参数生成方法及代表性指标( 十 ) _参数估计

(25)
其中和分别是矩阵和向量。参考文献提供了一种算法，用于从使用 KDE 估计的 PDF 中进行采样，使得生成的样本受到 (公式25) 的约束[40] 。其主要思想是根据与约束(公式25)的匹配程度对 KDE 中的每个参数向量进行加权。
本研究考虑采用预先确定完整轨迹的车辆数据，这对于所呈现的场景非常有效，但在驾驶员行为取决于本车车辆行为的场景中，完整的轨迹不是预先确定的[56] 。为了处理这种情况，一种选择是使用具有预定义参数的驾驶员行为模型（例如， [57]、[58]），而不是描述完整的轨迹。驾驶员行为模型的参数是的一部分。本研究所提出的用于生成场景参数值的方法仍然适用于这些场景。本课题组正在研究侧重于如何使用驾驶员行为模型评价自动驾驶汽车可能响应本车车辆行为的场景。
由于使用KDE ，生成的场景参数代表数据的变化。然而，如果数据不包含可能导致危急情况的场景，例如即使使用了重要性采样 [10]、[53]、[54] ，也不太可能生成紧急制动操作或鲁莽的边缘场景。因此，在将生成的场景用于自动驾驶汽车（安全）评估时，重要的是要有足够的数据以使数据包含此类场景。尽管尚未就所需的数据量达成共识，但已经提出了一些指标 [39]、[59] ，用于确定在使用数据评估自动驾驶汽车时是否收集了足够的数据。
本研究采用Wasserstein指标来提出SR指标来评估生成的场景参数。本文章说明了提出的指标如何用于确定适当数量的参数以及用于对场景参数的 PDF 建模的分布类型。此外，带宽或带宽矩阵也可以通过SR指标进行优化。
将来需要更多的研究来确定对修正权重β选择造成怎样影响，以及如何选择最佳的修正权重。本研究已经证明了一种方法来验证β的初始选择是否合适，但还不确定为什么的权重是合适的选择。实际选择可能取决于、、以及场景参数的基本分布的。未来对更大数据集的研究将能够更好地确定最佳以及如何影响机制。
未来的工作包括本研究所提出的指标的使用，并结合替代方法来生成用于评估自动驾驶汽车的场景。例如， Spooner 等人使用GAN来创建行人过街场景[28][60] 。GAN方法的困难之一是要知道GAN何时真正重构了底层分布。目前已经提出评估GAN性能的指标中，其中一个就是 Wasserstein指标，其能将生成的数据与测试数据进行比较[61] 。本研究提出的指标基于数据集可以考虑用于评估GAN ，因此为了判断本研究提出的指标在以上应用中的潜力，需要更多的研究。
Ⅶ. 结论
开发评估方法对于部署自动驾驶汽车至关重要。基于场景的评估，其中测试用例源自真实世界的道路交通场景，被认为是评估自动驾驶汽车的可行方法。本研究提出了一种生成参数化场景的方法，用于评估自动驾驶汽车的场景。为了不依赖一小组参数，本研究使用了奇异值分解 (SVD) 来减少参数。场景的参数值是通过从简化的参数集的估计概率密度函数 (PDF) 中抽取样本来生成的。为了处理PDF的未知分布，本研究提出使用核密度估计 (KDE) 来估计 PDF 。本研究还提出了一种新的指标，即所谓的场景代表性 (SR) 指标，它基于 Wasserstein 指标，用于评估生成的场景参数是否代表真实场景，同时涵盖在真实世界交通中发现的相同种类。

以上关于本文的内容，仅作参考！温馨提示：如遇专业性较强的问题（如：疾病、健康、理财等），还请咨询专业人士给予相关指导!

「辽宁龙网」www.liaoninglong.com小编还为您精选了以下内容，希望对您有所帮助：