影响参数的收集和分类为安全ADAS的有效性gydF4y2Ba

1介绍gydF4y2Ba

高级驾驶员辅助系统(ADAS)设计除了其他系统使驾驶更安全、更舒适。实现有效和可靠的功能,大多数ADAS往往会变得更复杂系统的各种参数在实际流量。因此,传统的验证只基于试驾不再是可实现的(gydF4y2Ba卡尔拉和围场,2016gydF4y2Ba)。因此,基于场景的测试将是一个可行的解决方案(gydF4y2BaNalic 2020gydF4y2Ba),提供了ADAS的优势比如提高客户的验收,重现性和可扩展的情况下,在测试过程中,并将安全隐患降到最低(gydF4y2BaTUV SUD、2021gydF4y2Ba)。此外,高保真基于仿真的测试成为一个必要步骤实际测试的两个主要缺点:极其冗长的测试过程和潜在危险(gydF4y2Ba太阳et al ., 2021gydF4y2Ba)。这些事实强调虚拟基于场景的测试的需要ADAS的安全认证和安全有效性评价。gydF4y2Ba

全面评估ADAS的潜在事故碰撞避免和缓解,ADAS应与整个测试场景空间和理想情况下对所有影响参数进行参数化。影响参数被定义为参数描述的场景和变化在这种情况下可能会影响ADAS的安全有效性。参数可以使用一个模型清晰地分类提出了德国研究项目飞马。模型旨在描述场景系统有六个独立的层,即道路水平,交通基础设施、临时修改前两层对象、环境和数字信息(PEGASUS方法,2019)。通常由于场景的复杂性和大量的叠加影响参数,场景的数量几乎是无限的。gydF4y2Ba

考虑到大量的潜在影响参数,一个可能的解决方案可以考虑有限数量的影响参数基于预选开发有限的场景空间内的测试场景。gydF4y2Ba周和再保险(2017)gydF4y2Ba使用相对距离、相对速度和自我之间的相对运动方向和目标车辆的参数化和生成测试场景的自适应巡航控制系统。gydF4y2Ba本Abdessalem et al。(2016)gydF4y2Ba应用多目标搜索获得最重要的场景行人检测应用系统。五个参数考虑在多目标搜索被确定通过领域专家讨论,即车辆和行人的速度,位置和姿态的行人。在研究研究gydF4y2BaChelbi et al。(2018)gydF4y2Ba,六个影响参数,即相对距离、相对速度、温度、湿度、天气事件,和可见性,是包含在生成模型的测试场景自动紧急制动系统。同样,八个示范影响参数的值,它与自我的运动状态和目标车辆,是不同的gydF4y2BaKluck et al。(2019)gydF4y2Ba创建测试场景虚拟ADAS验证和确认。除了gydF4y2BaChelbi et al。(2018)gydF4y2Ba,其他研究人员只关注相关的参数层飞马模型中的“对象”。gydF4y2Ba

由于强烈减少数量的影响参数被认为是到目前为止,哪些参数应该另外考虑下一步的问题。广泛的观察每一个可能影响参数是必要的。一些研究人员试图在不同的类别指定影响参数。不同类别的影响参数定义和包含在一个场景生成模型称为MaTeLo为ADAS生成测试用例基于马尔可夫链蒙特卡罗方法。定义的类别包括气候条件、道路结构和环境,配备车辆的行为,行为的周围的车辆、行人、障碍和干扰。对于每一个类别,几个例子的参数有(gydF4y2BaRaffaelli et al ., 2016gydF4y2Ba)。Gyllenhammar等人同样给几个例子不同的类别,如动态元素,连接,和其他因素和场景(Gyllenhammar et al ., 2020)。分类影响参数符合一个清晰的场景描述结构,如飞马座模型,提供一个全面的参数集合符合定义的类别可以是一个广泛的观察。参数在上述研究都是平等,不管他们的潜在影响ADAS的安全有效性。在确定参数用于参数化场景空间,一般的重要性的定义各影响参数可以是一个有用的参考结合考虑特定用例(ADAS和场景的特定类型)。gydF4y2Ba

基于作者的最好的知识,没有包括整体潜在影响参数列表ADAS安全效能评估与相应的一般定义在文献的重要性。因此,广泛的收集工作的影响参数和另外一个重要的参数的定义是必要的。gydF4y2Ba

本研究的目的是提供信息虚拟基于场景的测试的一个关键方面,即影响场景生成,通过提供一个全面的列表参数与一般的定义,重要性可以由研究人员和系统开发人员使用。这个列表可以使用结合考虑特定的用例系统地选择影响参数生成场景来评估ADAS的安全有效性基于场景的测试。gydF4y2Ba

2材料和方法gydF4y2Ba

2.1步骤进行研究gydF4y2Ba

1)多个来源被用来识别措施的影响参数和收集定性评估信息的影响,这些参数ADAS安全有效性。gydF4y2Ba

2)聚类分析应用基于特征量化的定性评估收集的信息进行分类识别的影响参数不同水平的重要性。gydF4y2Ba

2.2影响参数和相应的定性评估信息的集合gydF4y2Ba

大量的影响参数,以下不同的来源进行了研究:gydF4y2Ba

•发表文学作品gydF4y2Ba

•标准化考试gydF4y2Ba

•事故分析gydF4y2Ba

•自治车辆脱离和事故报告gydF4y2Ba

•在线调查(专业知识)gydF4y2Ba

在两个阶段进行。第一,文献综述包括出版文学,标准化考试,事故分析,自主车辆脱离,和事故报告进行了识别影响参数和获取相应的定性评估信息。聚合后,确定影响参数列表中进行了综述,从各种来源收集定性评估适当的记录。第二,相关研究领域的专家被邀请参加一个在线调查评估以前收集的重要性影响参数对影响安全ADAS的有效性和完成影响参数的列表。gydF4y2Ba

2.2.1第一阶段:文献综述gydF4y2Ba

影响参数的收集使用的来源和相应的方法或标准用来确定影响参数和提取定性评估信息在本节描述。gydF4y2Ba

2.2.1.1发表文学作品gydF4y2Ba

三步文献检索方法是用来确认相关的研究。的步骤如下:gydF4y2Ba

•步骤1:搜索字符串定义如下,美元的广告,IP美元,美元SG, VV美元,美元奇怪代表广告和ADAS的同义词,影响参数,场景生成、验证和确认,操作设计领域。列出了同义词gydF4y2Ba表1gydF4y2Ba。gydF4y2Ba

•步骤2:进行文献检索米四个电子数据库,也就是说,斯高帕斯,SAE Mobilus, IEEE Xplore数字图书馆和谷歌学术搜索,以包括尽可能多的相关研究的研究。gydF4y2Ba

•步骤3:在步骤2中收集到的文献是筛选过滤研究包含相关信息的影响参数。滚雪球式的方法应用于过滤研究为了确定任何额外的相关研究与一个筛选的过程。gydF4y2Ba

31个文档(gydF4y2Ba比勒和韦格纳,2005年gydF4y2Ba;gydF4y2Ba施密特和Sax, 2009年gydF4y2Ba;gydF4y2BaStaender 2010gydF4y2Ba;gydF4y2BaWeitzel和赢家,2013gydF4y2Ba;gydF4y2Ba陈et al ., 2014gydF4y2Ba;gydF4y2BaWeitzel 2014gydF4y2Ba;gydF4y2Ba库尔特et al ., 2015gydF4y2Ba;gydF4y2BaSeiniger盖尔,2015gydF4y2Ba;gydF4y2Ba维特曼et al ., 2015gydF4y2Ba;gydF4y2BaZhang et al ., 2015gydF4y2Ba;gydF4y2Ba本Abdessalem et al ., 2016gydF4y2Ba;gydF4y2BaHasirlioglu et al ., 2016gydF4y2Ba;gydF4y2BaRaffaelli et al ., 2016gydF4y2Ba;gydF4y2Ba多利安式,2017gydF4y2Ba;gydF4y2BaHasirlioglu et al ., 2017gydF4y2Ba;gydF4y2Ba维特曼et al ., 2017gydF4y2Ba;gydF4y2Ba夏et al ., 2017gydF4y2Ba;gydF4y2Ba赵et al ., 2017gydF4y2Ba;gydF4y2Ba周和再保险,2017年gydF4y2Ba;gydF4y2BaChelbi et al ., 2018gydF4y2Ba,;gydF4y2BaChelbi et al ., 2019gydF4y2Ba;gydF4y2Ba陈,2018gydF4y2Ba;gydF4y2BaJunietz et al ., 2018gydF4y2Ba;gydF4y2BaKolk et al ., 2018gydF4y2Ba;gydF4y2Ba砂光机和Lubbe, 2018gydF4y2Ba;gydF4y2Ba夏et al ., 2018gydF4y2Ba;gydF4y2BaAntona-Makoshi et al ., 2019gydF4y2Ba;gydF4y2BaGoodin et al ., 2019gydF4y2Ba;gydF4y2BaKluck et al ., 2019gydF4y2Ba;gydF4y2Ba段et al ., 2020gydF4y2Ba;gydF4y2Ba通力et al ., 2020gydF4y2Ba)被确定。从这些研究中,影响参数,满足下列标准之一的识别和初步等级(定性评估)是相应的分配。成绩和相应的标准如下:gydF4y2Ba

•“重要”:作者的研究已经确定的参数作为ADAS的安全有效性的重要或关键的研究或使用了参数作为ADAS变体测试。gydF4y2Ba

•“限制重要”:作者认为重要的在特定条件下的参数。例如,“明显的摩擦系数等条件只在几个相关的场景,并有很强的加速度。”(gydF4y2Ba维特曼et al ., 2015gydF4y2Ba)。gydF4y2Ba

•“提及”:作者提到ADAS的参数作为潜在的影响参数。gydF4y2Ba

2.2.1.2标准化考试gydF4y2Ba

识别影响参数标准化测试,现在测试和评级协议ADAS的五个综述了标准化测试。这五个欧洲五星标准化测试(新车评估项目),美国NCAP)公路(高速公路安全保险协会),中国NCAP, JNCAP和覆盖四个主要汽车市场。设计试验条件之间的不同的参数在一个测试场景中被确定为影响参数和分级一样重要。例如,根据评估Protocol-Vulnerable道路使用者保护gydF4y2Ba欧洲五星(2019gydF4y2Ba),白天还是晚上,光线条件下,自我的速度车辆,行人的大小,阻塞的观点,在测试期间等,是多种多样的。这些因素被确定为影响参数和评价同样重要。gydF4y2Ba

2.2.1.3事故分析gydF4y2Ba

IGLAD码(gydF4y2BaIGLAD 2018gydF4y2Ba)是一种数据方案设计的统一描述事故和用于文档深入事故情况下由合作伙伴提供的信息从数据库中9个国家。81年这个电报密码本,促成因素,主要(最关键)的影响引发的事故,被记录为“主要因素”(gydF4y2BaIGLAD 2018gydF4y2Ba)。相关因素的影响参数以前收集的文献和标准化测试是确定;例如,超速是与自我车辆的纵向速度有关。其余因素被作者检查如果他们认为有潜在影响ADAS的安全有效性。这些因素消除,因为他们只是有关人类司机,如“酒”和“超越在错误的一边(事业)”。gydF4y2Ba

2.2.1.4自主车辆脱离和事故报告gydF4y2Ba

加州的自主车辆测试计划允许制造商测试他们的自主驾驶系统自2014年以来在公共道路上行驶。制造商测试车辆在这个程序中需要报告脱离的自治模式测试期间(因为技术故障或情况要求测试驱动程序/操作员手动控制车辆的安全经营)和任何碰撞,导致财产损失和人身伤害事件的10天内(gydF4y2Ba加州的机动车辆,2022年gydF4y2Ba)。此外,这些脱离和事故的原因。gydF4y2BaFavaro et al . (2017gydF4y2Ba),gydF4y2BaFavaro et al . (2018gydF4y2Ba),gydF4y2Ba伯格斯et al . (2020gydF4y2Ba)详细研究了这些报告和总结的原因脱离和碰撞。自动驾驶功能,符合SAE驾驶自动化水平3 - 5 (gydF4y2BaSAE行车自动车辆标准委员会,2014年gydF4y2Ba),可以被视为ADAS的扩展特性,这对应于0 - 2 SAE驾驶自动化水平。因此,这些原因脱离ADAS和碰撞也高度相关。从这些研究,脱离的原因和碰撞相关的外部环境(包括其他道路使用者、交通基础设施和天气)被确定为影响参数。相应的定性评估包括脱离,导致事故的原因,分别。相关的其他原因人为因素(司机)和系统故障被排除在外。gydF4y2Ba

2.2.2第二阶段:确定参数影响的重要性gydF4y2Ba

在一个在线调查(与谷歌创建表单(gydF4y2Ba谷歌,2021gydF4y2Ba)),25日专家评估的重要性影响参数收集四个来源在第一阶段及其潜在影响安全ADAS的有效性。邀请专家通过网络将扩展到EVU(欧洲协会事故研究和分析),P.E.A.R.年代联盟(gydF4y2Ba威默et al ., 2019gydF4y2Ba)、虚拟车辆研究中心,你格拉茨,你达姆施塔特。邀请专家必须有至少3年的经验在相应的研究学科,作为中概述gydF4y2Ba表2gydF4y2Ba。定性评估包括“重要”、“可能是重要的,”“不重要,”和“不适用(缺失的情况下该参数的知识)。“此外,影响参数的列表是扩大由专家根据他们的经验。gydF4y2Ba表2gydF4y2Ba显示25的比例参与专家在给定的研究领域的研究经验。调查的参与者提供的信息是一个多项选择题的问题。选择包括中列出的前五个研究领域gydF4y2Ba表2gydF4y2Ba。最后三个字段,只有4%的覆盖率(对应于一个专家)被专家补充说。几乎一半的研究领域的专家经验的“仿真”和“研究&发展”ADAS或自动驾驶,相关的研究课题。gydF4y2Ba

使用聚类分析2.3分类的影响参数gydF4y2Ba

一般分类收集的影响参数为不同的重要性水平整体考虑定性评估收集的信息从不同的来源,一种机器学习方法称为聚类分析(gydF4y2Ba埃维里特,2011gydF4y2Ba)应用。添加的参数影响的专家在线调查被排除在外,因为他们不是由所有评估专家。聚类分析的方法是一组用来区分一组对象分成几组具有类似特征的(gydF4y2Ba埃维里特,2011gydF4y2Ba)。它是一种无监督学习方法,既不需要预定义的类和标记的训练数据训练聚类模型。因此,聚类分析是适合收集影响参数划分为不同的类。分类过程包括两个阶段(如所示gydF4y2Ba图1gydF4y2Ba):特征提取(量化的定性评估收集信息)和应用的聚类算法(包括聚类算法的选择、权重的确定和关键参数,聚类结果的比较、分类和选择最优的结果)。gydF4y2Ba

2.3.1特征提取gydF4y2Ba

特征表示测量的重要性影响参数基于定性评估信息从一个特定的源和将被用作预测(gydF4y2BaMathworks 2021gydF4y2Ba在聚类分析)。对于每个影响参数,定性评估收集的信息从每个源将量化特性,对应于源。为了避免失真引起的不同范围的值,提取的特征归一化(gydF4y2Ba看到2019gydF4y2Ba)。提取/量化方法用于每个源描述如下:gydF4y2Ba

•发表文献:对于一个给定的影响参数,一个“重要”或“有限重要”评估从文学是分配3点和1点“提及”。率同样重要的影响参数或使用它们作为测试场景生成的各种参数,显著高于理由需要努力而提及他们潜在的重要。因此,将更多的附加价值在“重要”或“有限重要”评估,3点。点是添加和除以所有参数规范化的得分最高(0.000,1.000)。gydF4y2Ba

•标准化考试:频率参数的影响发生在提取五个标准化测试的功能,在[0.000,1.000]范围。例如,如果将不同目标对象的大小两个测试(欧洲五星和公路)的五个测试,那么值是0.400。gydF4y2Ba

•事故分析:功能价值为1或0,这是一个虚拟变量(gydF4y2BaEckstein et al ., 1994gydF4y2Ba),这取决于如果参数是影响记录IGLAD速率的主要因素。gydF4y2Ba

•自治车辆脱离和事故报告:两个特性提取代表脱离的原因和事故的原因。功能都重视使用虚拟变量(1或0),根据如果参数是影响分离/事故的原因。gydF4y2Ba

•在线调查:“重要”的评价是算作3分,“可能是重要的”1分,“不适用”为0分,“不重要”−3分。给一个明确的评价更多的重量(“重要”和“不重要”),这需要更多的推理努力,比一个模棱两可的评价(“可能是重要的”),3分和−3分算为“重要”和“不重要”,分别。点是添加的和除以理论最大的点(75点)按比例缩小(−1.000,1.000)(−1的最小值出现在所有25个专家评估参数的影响是“不重要的”[25(专家)的数量乘以−3分,除以75)]。gydF4y2Ba

特性,从发表的文献中提取、标准化测试和在线调查的比例尺度,和更高的价值意味着更为重要。事故分析和自主车辆特征提取分离和事故报告是由虚拟变量(1或0)一个布尔值为1(真正的)代表更重要的是,尽管0(假)代表不那么重要了。gydF4y2Ba

2.3.2聚类分析中的应用gydF4y2Ba

2.3.2.1使用聚类算法gydF4y2Ba

同时考虑评估维度总结gydF4y2BaWegmann et al。(2021)gydF4y2Ba我们的用例,以下评估维度被认为选择合适的聚类算法:gydF4y2Ba

•数据集的类型:在我们的用例,混合数据结构。特征对应于源文学,标准化考试,和在线调查是数值数据,而对应于源事故分析和分离和事故报告分类数据(虚拟变量)。数据集的聚类算法应用应该适用混合数据结构。根据我们的调查,最常见的聚类算法适用于混合数据结构是K-prototype (gydF4y2Ba黄1998年gydF4y2Ba)和算法基于高尔半岛的距离(gydF4y2Ba高尔半岛,1971gydF4y2Ba)。gydF4y2Ba

•形状的集群:目标是影响参数划分到不同的重要性水平,,原则上,是一个基于距离的聚类问题而不是density-based聚类问题。gydF4y2Ba图2gydF4y2Ba结果显示最大的区别通过应用一个典型的基于距离algorithm-K-means (gydF4y2Ba哈,黄,1979gydF4y2Ba)和一个典型的density-based DBSCAN算法(density-based空间聚类的应用程序与噪音)(gydF4y2Ba酯et al ., 1996gydF4y2Ba)。两种不同的颜色(蓝色和橙色)表示两个集群对象的聚类算法的分离。k - means地区分离对象的坐标系统,这意味着特性的对象在同一集群都比较相似,而DBSCAN分离对象的形状,这意味着两个对象具有大的差异特性仍然可以分组到一个集群。因此,density-based聚类算法不适合我们的应用程序。gydF4y2Ba

•感性的特点:规模优势的定义权重特性对其相关性和质量所示gydF4y2BaChowdhury (2021gydF4y2Ba)。相关性ADAS的topic-safety有效性和全面性2.1中使用的来源也各不相同。因此,权重也应该专门定义了对应于不同来源的特征。重量可以被解释为功能re-scaling因素(gydF4y2BaChowdhury 2021gydF4y2Ba)。使用算法必须敏感特性的规模,这意味着一个发布出去是依靠聚类方法如高斯混合模型(gydF4y2BaSarkar et al ., 2020gydF4y2Ba)是不合适的。gydF4y2Ba

•实现:在这项研究中使用的算法必须实现在现有Python包。具体来说,必须使用的Python包本机支持的定义特征权重,利用预先计算的高尔半岛的距离。如果这个包不支持这些特性,必须合理所需的扩展工作。gydF4y2Ba

基于评估,确定以下聚类算法的应用程序。gydF4y2Ba

•沃德的层次聚类(gydF4y2BaMurtagh和勒让德,2014年gydF4y2Ba)基于高尔半岛的距离(gydF4y2Ba高尔半岛,1971gydF4y2Ba)gydF4y2Ba

•K-prototypes (gydF4y2Ba黄1998年gydF4y2Ba)gydF4y2Ba

2.3.2.2重定义gydF4y2Ba

2.2.2.1节规定,有必要定义权重来专门为不同的特性。确定权重的特性,两个标准(全面性和相关性)用于评估来源,特征提取。总结了评价并确定权重gydF4y2Ba表3gydF4y2Ba。全面性评估来源是否覆盖所有可能的方面相关的安全有效性ADAS这不是错过了某些方面的影响参数,定性评估获得没有偏见。文献研究进行了尽可能广泛。然而,无法保证完整性。至于标准化考试,受到天气和光照条件等参数的可控性,并不是每一个影响参数是反映在一个标准化的测试,导致可怜的全面性。在事故分析中,主要因素IGLAD速率主要是总结从事故与人为汽车。一些因素影响ADAS不总结。这三个来源并不全面。专业知识包括在在线调查涵盖了广泛的相关研究领域。影响参数列表由专家评估的总结来自多个源的信息。 Disengagement and accident reports summarize the causes based on testing of autonomous vehicles on public roads, in which vehicles are exposed to real-world scenarios consisting of all possible influence parameters. These sources are comprehensive. Relevance measures the relevance of the information from the sources for the safety effectiveness of ADAS. In other words, the subject of study must be an ADAS or a subject that is functionally similar, such as an autonomous vehicle. Accident analysis is more relevant to human drivers than to ADAS, resulting in low relevance, while topics from other sources are highly relevant to the ADAS safety effectiveness. Features from sources (disengagement and accident reports, and online survey) that are both comprehensive and highly relevant were assigned the highest weight of 1. Features from sources (the literature and standardized test) that are highly relevant but not comprehensive were given the second highest weight of 2/3. The weight of the feature from the source (accident analysis) that is neither highly relevant nor comprehensive was defined as 1/3.

2.3.2.3关键参数definition-Number的集群gydF4y2Ba

这两种方法中选择部分2.2.2.1需要定义一个关键参数的实施集群的数量。这个关键参数决定了集群的数量可以分配的影响参数。已经有三个不同的定性评估在线调查和文献研究;集群数量小于3将无法正确分类的参数。此外,集群的数量超过6将很难给集群定义适当的重要性。集群的数量从3到6不一,选择和最优值基于2.2.2.5节中介绍的评价方法。gydF4y2Ba

2.3.2.4实现过程gydF4y2Ba

关键步骤实现病房的分层集群基于高尔半岛的距离如下:gydF4y2Ba

1)计算使用Python包高尔半岛(高尔半岛的距离gydF4y2Ba燕,2019gydF4y2Ba基于提取的特征与权重2.2.2.2节中定义的。gydF4y2Ba

2)应用沃德的层次聚类在Python包SciPy (gydF4y2BaSciPy 2022gydF4y2Ba)作为输入使用预先计算的高尔半岛的距离。gydF4y2Ba

实现K-prototypes的关键步骤如下:gydF4y2Ba

1)扩展原始K-prototypes算法实现原始Python包KModes (gydF4y2BaNelis J·德·沃斯,2022年gydF4y2Ba)支持的重定义功能;gydF4y2Ba

2)应用扩展K-prototypes使用提取的特征作为输入。gydF4y2Ba

2.3.2.5评估聚类质量gydF4y2Ba

确定最佳的分类结果结合不同的聚类方法和关键参数值,客观和主观评价相结合。主观评价结果意味着由作者检查排除异常和有争议的结果。平均轮廓宽度(ASW)被用来评估聚类客观的质量(gydF4y2BaRousseeuw 1987gydF4y2Ba)。gydF4y2BaWegmann et al。(2021)gydF4y2Ba表示,反潜战最适合基于距离的聚类。反潜战范围从−1比1。根据gydF4y2Ba砂光机和Lubbe (2018)gydF4y2Ba反潜战,可以解释不同的范围如下:gydF4y2Ba

•(−1.000,0.250):没有实质性的结构被发现。gydF4y2Ba

•[0.251,0.500]:弱结构发现,可能是人工。gydF4y2Ba

•[0.501,0.700]:一个合理的结构被发现。gydF4y2Ba

•[0.701,1.000]:一个强大的结构被发现。gydF4y2Ba

3的结果gydF4y2Ba

在本节中,识别影响参数的聚类结果进行对比并分析了确定最佳分类的影响参数。然后,影响参数的列表,包括确定影响参数和参数的重要性级别根据最佳分类结果。gydF4y2Ba

3.1聚类的结果gydF4y2Ba

所示gydF4y2Ba表4gydF4y2Ba最高、最好的结果(ASW)的聚类方法实现当集群的数量是3。这表明它是合理划分成三个集群的影响参数。的反潜战值两种方法定义集群数量的3(病房K-prototypes: 0.642: 0.677)还表明,一个合理的结构被发现根据2.2.2.5节中解释。结果的唯一区别在于三个影响参数(上市gydF4y2Ba表5gydF4y2Ba),它被归类在最重要的group by K-prototypes但更重要组病房的层次聚类。根据所示的三个参数的特性gydF4y2Ba表5gydF4y2Ba以来,他们不应该那么重要特性相应的标准化测试和在线调查对所有三个参数非常高。这三个参数中未涉及的AV脱离和事故报告。K-prototypes基于提出的方法gydF4y2Ba黄(1998)gydF4y2Ba可以调整的重量与分类特征相关联的成本相对于成本的重量数值特性。在聚类与分类特征相关联的成本降低。这导致了不同的聚类结果中列出的三个参数gydF4y2Ba表5gydF4y2Ba。通过应用获得的聚类结果K-prototypes集群数量的三个被接受。gydF4y2Ba

根据聚类的结果,影响参数被分成三个不同的重要性水平,也就是说,最重要的,重要的,不那么重要了。这些重要性水平是相对的概念,不太重要的并不意味着不重要。数值特性从文献中提取的方式,在线调查,的百分比值(真)的分类特征对应于自主车辆脱离和事故报告和事故分析所示gydF4y2Ba表6gydF4y2Ba为集群具有不同重要性水平。手段和百分比的差异之间的集群具有不同重要性水平验证了分类的合理性。gydF4y2Ba

3.2影响参数列表gydF4y2Ba

总的来说,94影响参数被收集和中列出gydF4y2Ba表7gydF4y2Ba。上与其他研究人员一致的主题“six-layer模型场景描述,“在德国研究项目使用了飞马(PEGASUS方法,2019)。分配给这些层的影响参数(列在“层”gydF4y2Ba表7gydF4y2Ba)除了层3-temporal修改。第三层描述只有影响参数的时间变化包括在层1和2。列“Sub-cat”表示参数所属的子类别,允许更深更精确的分类和定义。共有77个影响参数被确定或从发表的文献总结,IGLAD电报密码本,和五个标准化考试。总共17参数辅以专家通过在线调查和被标记为“机密”列”类。“列”类”意味着影响参数的重要性ADAS安全效能评估基于聚类的结果在3.1节。总共有四个不同的定义列“类”:“最重要的是,”“重要”“不那么重要,”和“不分类。“总的来说,77年94年的影响参数被分为前三个类。特别是,八个参数“最重要”类和22个参数在“重要”类特别感兴趣。17个参数“不是机密”类中还应该注意他们添加调查专家,由专家表明他们牢记。应该注意的是,影响的重要性定义给定参数的一般定义不同ADAS被视为一个整体。 In particular use cases, the characteristics of specific ADAS types (e.g., systems based on different sensors and systems designed for different purposes, etc.) and scenarios (e.g. highway scenarios, urban scenarios, etc.) should be considered in combination with the general importance definition.

4结论gydF4y2Ba

4.1重要发现gydF4y2Ba

结合信息从不同的来源,包括发表文学、事故分析知识,标准化考试,自主车辆脱离,从网上调查和事故报告和专家知识,广泛的收集94影响参数列表显示和结构化six-layer场景描述模型定义的飞马(PEGASUS方法,2019)。除了17个影响参数通过在线调查专家补充说,77年94年的影响参数一般分为三个不同层次的重要性(最重要的,重要的,不重要的)使用K-prototype集群基于加权特性从各种来源中提取前面提到的。其中,8个最重要的影响参数(自我车辆:纵向速度、初始位置和对齐;目标可移动的对象:相对纵向距离对自我的车,横向偏移对自我的车,相对速度对自我的车,相对移动方向对自我的车,和加速度;和静止的对象:视觉障碍)和22个重要影响参数(中列出gydF4y2Ba表7gydF4y2Ba)尤其值得关注。影响参数的列表允许研究人员和系统开发人员选择在虚拟场景的生成影响参数基于场景的测试从一个全面的观点。gydF4y2Ba

4.2限制和前景gydF4y2Ba

有三个主要方向改善的结果。gydF4y2Ba

•本文ADAS功能而不是自动驾驶功能市场渗透作为ADAS特性有显著高于自动驾驶功能。ADAS的足够信息功能可以从所有来源并将获得全面分析,例如,标准化考试目前只有ADAS特性的开发和执行。自动驾驶功能预计将在未来发挥更大作用的交通工具。类似的方法可以特别适用于自动驾驶功能,这可能是更复杂的应用场景,可用的功能,和系统架构。gydF4y2Ba

•ADAS特性不断改进和扩展。影响参数也应进一步补充和更新以匹配的发展趋势ADAS的完整性影响参数的列表。还应该考虑和讨论是否应该包括司机的行为描述的场景和司机相关参数是否应该被包括在影响参数的列表。gydF4y2Ba

•摘要重要性水平的影响参数由分析来自各种来源的信息合成一般上下文。获得更具体的定义和验证的重要性水平,影响参数可以为特定类型的检查ADAS在特定类型的场景中使用模拟的影响变化的影响参数对ADAS的安全有效性可以定量观察和评估。重要的是要注意,影响参数变化的影响,应该准确地反映在使用模拟器。gydF4y2Ba

数据可用性声明gydF4y2Ba

原始数据支持了本文的结论将由作者提供,没有过度的预订。gydF4y2Ba

作者的贡献gydF4y2Ba

FG、房颤、SK、WS, HS和JM导致的概念和设计的研究和执行在线调查。FG, JM,等导致的完美和终结影响参数列表。FG了荟萃分析,聚类分析。FG写了初稿的手稿。所有作者导致手稿修订和改进,和阅读和批准提交的版本。gydF4y2Ba

资金gydF4y2Ba

这项工作是支持的虚拟车辆研究GmbH在项目的影响。作者要感谢彗星中的金融支持K2能力优秀的技术中心从奥地利联邦气候行动(BMK),奥地利联邦劳动与经济(BMAW),省施第里尔(部门12),和Styrian商业促进会(SFG)。奥地利研究促进会(FFG)授权的项目管理。出版费由你支持格拉茨开放获取出版基金。投资者没有参与这项研究设计、收集、分析、解释数据,本文的写作,或决定提交出版。gydF4y2Ba

的利益冲突gydF4y2Ba

作者房颤和SK受雇于虚拟车辆GmbH是一家现代化的、可靠的研究。gydF4y2Ba

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

出版商的注意gydF4y2Ba

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或那些出版商编辑和评论员。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba

引用gydF4y2Ba