構(gòu)建巨量的駕駛場景時(shí)，測試ADAS和AD系統(tǒng)面臨著巨大挑戰(zhàn)，如傳統(tǒng)的實(shí)驗(yàn)設(shè)計(jì)（Design of Experiments, DoE）方法難以有效覆蓋識別駕駛邊緣場景案例，但這些邊緣案例恰恰是進(jìn)一步提升自動(dòng)駕駛系統(tǒng)性能的關(guān)鍵,。

本文分享aiFab解決方案，該方案現(xiàn)已具備了更為先進(jìn)的自適應(yīng)測試方法,，顯著提升了尋找邊緣案例并進(jìn)行分析的能力,。

一、傳統(tǒng)解決方案：靜態(tài)DoE

標(biāo)準(zhǔn)的DoE方案旨在系統(tǒng)性地探索場景的參數(shù)空間,，從而確保能夠?qū)崿F(xiàn)的測試覆蓋范圍,。但在邊緣案例,，比如暴露在潛在安全風(fēng)險(xiǎn)的場景或是ADAS系統(tǒng)性能極限場景時(shí)，DoE方案通常會(huì)失效,，讓我們看一些常見的DoE方案：

1,、網(wǎng)格搜索法（Grid）

實(shí)現(xiàn)原理：將場景空間按照網(wǎng)格進(jìn)行劃分，并測試所有的參數(shù)組合,。

優(yōu)勢：確保覆蓋所有的范圍,。

缺點(diǎn)：在大參數(shù)空間下計(jì)算耗時(shí)將會(huì)難以估計(jì)。

2,、隨機(jī)抽樣（Random Sampling）

實(shí)現(xiàn)原理：在定義的參數(shù)空間內(nèi)進(jìn)行隨機(jī)選擇測試樣例,。

優(yōu)勢：易于實(shí)現(xiàn)，而且擴(kuò)展性能好,。

缺點(diǎn)：可能會(huì)錯(cuò)過重要的樣例從而導(dǎo)致測試效果大打折扣,。

3、拉丁超立方體抽樣（LHS）

實(shí)現(xiàn)原理：確保每個(gè)參數(shù)在相應(yīng)區(qū)間內(nèi)進(jìn)行均勻采樣,，從而改善數(shù)據(jù)結(jié)果的分布,。

優(yōu)勢：比隨機(jī)抽樣效率更高，覆蓋范圍更加合理,，樣本分布也更均衡,。

缺點(diǎn)：過于均衡從而無法有效考慮到邊緣案例的情況。

這些傳統(tǒng)方法在一定程度上覆蓋了ADAS和AD系統(tǒng)場景測試范圍,，但是其結(jié)果或多或少都存在一定的缺陷,，如針對于邊緣場景，傳統(tǒng)方法沒有考慮高風(fēng)險(xiǎn)因素以及自適應(yīng)學(xué)習(xí)過往測試結(jié)果的過程,，針對這一點(diǎn)我們分享一個(gè)新的自適應(yīng)DoE解決方案：aiFab解決方案,。

二、aiFab解決方案

在傳統(tǒng)的DoE方案中,，將所有的場景視作同等重要,，然而事實(shí)上，在ADAS/AD系統(tǒng)的測試過程中,，邊緣場景則影響著關(guān)鍵性能的提升,。在康謀aiFab解決方案中，基于AI的自適應(yīng)DoE解決方案將會(huì)根據(jù)先前的測試結(jié)果,，動(dòng)態(tài)選擇測試用例,，在未通過的案例中學(xué)習(xí)并調(diào)整泛化注意力。

1,、貝葉斯優(yōu)化（BO）：通過學(xué)習(xí)優(yōu)化的智能測試

貝葉斯優(yōu)化將全量搜索場景的方法轉(zhuǎn)換成由數(shù)據(jù)驅(qū)動(dòng)的智能方案,，與隨機(jī)取樣等方案不同：

（1）BO方案將會(huì)預(yù)測最有可能暴露失敗風(fēng)險(xiǎn)的新測試用例,。

（2）BO方案采用替代模型Surrogate model,，比如采用高斯過程Gaussian Processes,，然后通過已有的數(shù)據(jù)來逼近測試場景參數(shù)與關(guān)鍵性指標(biāo)的映射目標(biāo)函數(shù)。

（3）然后結(jié)合采集函數(shù)Acquisition Function,，比如通過下置信屆LCB或者期望改進(jìn)EI等方法,，有效平衡“探索”和“利用”之間的取舍，在有限次數(shù)測試下,，有效找到目標(biāo)函數(shù)的解,。

2、映射目標(biāo)函數(shù)之關(guān)鍵性指標(biāo)

貝葉斯優(yōu)化依靠關(guān)鍵性指標(biāo)（KPI）決定了是否為目標(biāo)場景,，aiFab中常見的KPI包括：

（1）碰撞時(shí)間TTC：決定車輛距離碰撞有多近

（2）入侵后時(shí)間PET：交通沖突后剩余時(shí)間間隔

（3）速度變化Delta-v：車輛碰撞過程中的速度變化

通過不同的KPI更新模型,，我們的泛化方案能夠將計(jì)算資源集中在最需要的地方，從而更高效的發(fā)現(xiàn)關(guān)鍵邊緣場景,，而不是在常規(guī)場景上耗費(fèi)時(shí)間,。

三、結(jié)語

憑借最新的自適應(yīng)DoE功能,，aiFab給ADAS/AD驗(yàn)證帶來了諸多益處：

（1）更快的發(fā)現(xiàn)邊緣案例：找到高風(fēng)險(xiǎn)場景而無需全量的網(wǎng)格測試

（2）更低的資源耗費(fèi)：專注于特定方向的案例場景

（3）更好的風(fēng)險(xiǎn)覆蓋范圍：提升檢測稀少邊緣關(guān)鍵場景的能力

通過將自適應(yīng)測試集成到aiFab中,，aiFab解決方案提高了效率，同時(shí)增強(qiáng)了ADAS和自主系統(tǒng)的安全性,、性能和信心,。