DE202022106107U1

DE202022106107U1 - System zur Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS)

Info

Publication number: DE202022106107U1
Application number: DE202022106107.6U
Authority: DE
Original assignee: Nitte Meenakshi Institute Of Tech; Nitte Meenakshi Institute of Technology
Current assignee: Nitte Meenakshi Institute Of Tech; Nitte Meenakshi Institute of Technology
Priority date: 2022-10-31
Filing date: 2022-10-31
Publication date: 2022-11-10
Anticipated expiration: 2032-11-01

Abstract

Ein System zum Testen von automatisierten Fahrsystemen der Stufe 3 (ADS), wobei das System umfasst:
einen Simulator, der so konfiguriert ist, dass er den Rahmen für die Prüfung von L3 ADS validiert und die Fähigkeiten des autonomen Fahrens untersucht;
eine Reihe von Kameras, die mit dem Simulator verbunden sind, wobei die Reihe von Kameras so konfiguriert ist, dass sie Bilder der Fahrzeuge und Straßen erfasst;
eine semantische Segmentierungseinheit, die mit der Anordnung von Kameras verbunden ist, um jedem Pixel in dem Bild eine Kennzeichnung zuzuweisen, um die aufgenommenen Bilder zu klassifizieren; und
eine Testfallerzeugungseinheit, die mit der semantischen Segmentierungseinheit verbunden ist, wobei die Testfallerzeugungseinheit konfiguriert ist, um:
Analyse der Faktoren, die die Funktionen des autonomen Fahrens beeinflussen, einschließlich der Ego-Geschwindigkeit des Fahrzeugs, und deren Rolle bei der Durchführung des Tests;
in einem zweiten Schritt Parameter aus den ermittelten Kriterien zu erstellen;
Ausführen eines Testlaufs unter Verwendung eines Satzes von Anweisungen und einer Vielzahl von Simulationswerkzeugen, wenn die Testsituationen simuliert werden; und
Test auswerten, einschließlich der Bewertung der Simulation anhand mehrerer Kritikalitätskriterien unter Fahrbedingungen, einschließlich der Zeit bis zur Kollision.

Description

BEREICH DER ERFINDUNG
Die vorliegende Erfindung bezieht sich allgemein auf das Gebiet eines Systems zur Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS).
HINTERGRUND DER ERFINDUNG
In diesen Tagen vollzieht die Automobilindustrie einen Quantensprung hin zu einer Zukunft, in der der Fahrer eine immer geringere Rolle beim Führen seines Fahrzeugs spielen wird, das sich als vollständig verboten erweist. An dem Punkt, an dem wir von der Fahrerhilfe zum automatisierten Fahren übergehen, besteht der grundlegende Test darin, eine offene Umgebung zu verwalten; das heißt, autonome Systeme sollten die Möglichkeit haben, mit allen Umständen, die in ihrer Umgebung passieren, selbst umzugehen, ohne Unterstützung durch einen menschlichen Fahrer. Dementsprechend wird die Verifizierung von KI-basierter Videowahrnehmung, die das Ziel hat, Objekte in einem Kamerabild zu unterscheiden, ebenfalls immer verblüffender. In der Industrie werden zahlreiche Untersuchungen durchgeführt, um Strategien und Proof of Concept (POCs) für die Verifizierung von KI-basierten Systemen zu entwickeln. Eine der wesentlichen Kapazitäten, die für die Bestätigung einer solchen KI-basierten Videowahrnehmung erforderlich sind, ist die Möglichkeit, synthetische Bilder mit unterschiedlichen Parametern zu erzeugen, um verschiedene Anwendungsfälle zu simulieren.
Aufgrund ihres Engagements für die Verbesserung der Sicherheit, der Effizienz und des Komforts beim Fahren ist die Innovation des automatisierten Fahrens in jüngster Zeit ein Schwerpunkt bei der Erforschung und Anwendung gewesen. Die meisten Unfälle, die durch menschliches Versagen verursacht werden, können durch den Einsatz fortschrittlicher Fahrerassistenzsysteme (ADAS) vermieden werden. Das Ziel von ADAS ist es, das Risiko von Unfällen und die Schwere von Unfällen, die sich nicht vermeiden lassen, zu verringern und so Todesfälle und Verletzungen zu verhindern. Eine Untersuchung hat ergeben, dass 94 % der Unfälle auf menschliches Versagen zurückzuführen sind, während der Rest durch klimatische und mechanische Einflüsse hervorgerufen wird. Die Möglichkeit, Autounfälle zu vermeiden, hat die Verbreitung von ADAS in Autos begünstigt. Zu den ADAS-Anwendungen, die den Fahrer mit sicherheitskritischen Funktionen unterstützen, um Autounfälle zu verringern und Leben zu retten, gehören „automatische Notbremsung, Fußgängererkennung, Rundumsicht, Einparkhilfe, Erkennung von Müdigkeit beim Fahrer und Blickerkennung“.
Um die Umgebungsfaktoren zu erkennen, verwenden selbstfahrende Fahrzeuge eine Reihe von Sensoren, darunter Thermografiekameras, Radar, LIDAR, Sonar, GPS, Kilometerzähler und Trägheitsmessgeräte“. Fortgeschrittene Kontrollsysteme interpretieren die Sensorinformationen, um akzeptable Manöver sowie Hindernisse und notwendige Beschilderungen zu bewerten. Ein automatisiertes Fahrsystem führt alle realen Fahrfunktionen aus, die für das Fahren eines bodengebundenen Fahrzeugs erforderlich sind, ohne dass ein menschlicher Fahrer oder Sensoren in Echtzeit eingreifen. Im Großen und Ganzen ist ein automatisiertes Fahrsystem ein integriertes Bündel einzelner automatisierter Systeme, die zusammenarbeiten. Außerdem ist das automatisierte Fahren in drei Teilsysteme unterteilt: Erkennung von Umweltfaktoren, Entscheidungsfindung und Bewegungssteuerung.
Im März 2016 krachte ein selbstfahrendes Google-Fahrzeug, das heute unter dem Namen Waymo bekannt ist, in die Seite eines Busses, als es versuchte, auf eine andere Fahrspur zu wechseln, um hinter einem Hindernis hervorzukommen, das ihm im Weg stand. Dieses Beispiel zeigt, wie schwierig es ist, alle Verhaltensweisen von Fahrzeugen vorher zu erraten. Ein autonomes Fahrzeug der Stufe 3 von Uber hat im März 2018 in Arizona eine Person zu Fuß angefahren und getötet. Tesla-Fahrzeuge im autonomen Modus der Stufe 2 wurden mit zwei weiteren tödlichen Unfällen in Florida und Kalifornien in Verbindung gebracht. Zum Zeitpunkt dieser zahlreichen tödlichen Unfälle hatte ein menschlicher Fahrer die volle Kontrolle über das Fahrzeug. Diese Vorfälle unterstreichen, wie wichtig es ist, die Robustheit von Steuerungssystemen zu koordinieren und explorative Tests durchzuführen, die so viele nicht überraschende Situationen wie möglich abdecken.
Zu dem Zeitpunkt, an dem der Wechsel von der Hilfe des Fahrers zum automatisierten Fahren erfolgt, ist der grundlegende Test die Bewältigung offener Situationen, und das bedeutet, dass autonome Systeme die Möglichkeit haben sollten, mit allen Bedingungen umzugehen, die in ihrer aktuellen Situation auftreten, ohne von einem menschlichen Fahrer abhängig zu sein. Es ist von grundlegender Bedeutung, dass derartige Systeme vollständig erprobt werden, bevor sie in der Serienproduktion eingesetzt werden.
Eine Methode zur Untersuchung der Sicherheit besteht darin, autonome Fahrzeuge in einem nachweisbaren Verkehrsstau zur Hauptverkehrszeit zu testen, der der realen Welt so weit wie möglich entspricht. Der Nachteil dabei ist, dass der echte Verkehr unberechenbar ist und sich wahllos bewegt, so dass eine große Datenmenge erforderlich ist, um die Legitimität der Versuchsergebnisse zu gewährleisten. Aufgrund der hohen Kosten wird es nur großen Unternehmen oder Institutionen angeboten.
Ein weiterer kritischer Test ist das Nachdenken darüber, was während des automatisierten Fahrens passieren kann, was zu Vorschlägen für die Sicherheitsgestaltung von Aufgaben führt, die von der Planung bis zur Bestätigung reichen. Aufgrund der Komplexität und Ungewissheit des Fahrklimas sowie der Komplexität des Fahrvorgangs selbst ist die Anzahl der Umstände, denen ein automatisiertes Fahrsystem (ADS) oder ein fortschrittliches Fahrassistenzsystem (ADAS) begegnen kann, nahezu unbegrenzt.
Virtuelle Tests können eingesetzt werden, um solche Probleme zu lösen. Model-in-the-Loop (MIL), Software-in-the-Loop (SIL), Hardware-in-the-Loop (HIL), Vehicles-in-the-Loop (VIL) und andere Strategien können eingesetzt werden, um Frameworks in verschiedenen Phasen der Verbesserung zu testen und zu genehmigen.
Dies hat ein großes Interesse an der virtuellen Bewertung und Überprüfung geweckt, bei der es um die „sichere Prüfung“ und Erkundung sowie die denkbare praktische Bestätigung der erbrachten Nachweise geht. Dies wirft jedoch die damit verbundenen Fragen auf: Welche Tests sind auszuwählen (d. h. welche sind entscheidend), wie sind sie zu fördern, und wie kann man über die Abdeckung und Erfüllung der Sicherheitsuntersuchung nachdenken, vorausgesetzt, es gibt ein echtes Simulationsklima (ein Test an sich).
Mit den vorhandenen Technologien lässt sich das Problem der Prüfung von automatisierten Fahrsystemen der Stufe 3 nicht lösen. Daher besteht die dringende Notwendigkeit, ein System für die Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS) zu entwickeln.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Erfindung offenbart ein System zum Testen von automatisierten Fahrsystemen der Stufe 3 (ADS). Das System umfasst: einen Simulator, der so konfiguriert ist, dass er den Rahmen für das Testen von L3-ADS validiert und die Fähigkeiten des autonomen Fahrens untersucht; eine Anordnung von Kameras, die mit dem Simulator verbunden ist, wobei die Anordnung von Kameras so konfiguriert ist, dass sie Bilder von Fahrzeugen und Straßen aufnimmt; eine semantische Segmentierungseinheit, die mit der Anordnung von Sensoren verbunden ist, um jedem Pixel in dem Bild ein Etikett zuzuweisen, um die aufgenommenen Bilder zu klassifizieren; und eine Testfallerzeugungseinheit, die mit der semantischen Segmentierungseinheit verbunden ist, wobei die Testfallerzeugungseinheit so konfiguriert ist, dass sie: Analysieren der Faktoren, die die autonomen Fahrfunktionen beeinflussen, einschließlich der Ego-Geschwindigkeit des Fahrzeugs, und die eine Rolle in dem durchzuführenden Test spielen; Erzeugen von Parametern aus den identifizierten Kriterien in einer zweiten Stufe; Ausführen eines Testlaufs unter Verwendung eines Satzes von Anweisungen und einer Vielzahl von Simulationswerkzeugen, wenn die Testsituationen simuliert werden; und Auswerten des Tests einschließlich der Auswertung der Simulation unter Verwendung mehrerer Kritikalitätskriterien in Fahrbedingungen, einschließlich der Zeit bis zur Kollision.
Ziel der vorliegenden Erfindung ist es, ein System zur Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS) zu entwickeln.
Ein weiteres Ziel der vorliegenden Erfindung ist es, die Faktoren zu analysieren, die die autonomen Fahrfunktionen beeinflussen, einschließlich der Ego-Geschwindigkeit des Fahrzeugs und der Rolle des Spielers.
Um die Vorteile und Merkmale der vorliegenden Erfindung weiter zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen davon, die in den beigefügten Figuren dargestellt sind, gegeben. Es wird davon ausgegangen, dass diese Figuren nur typische Ausführungsformen der Erfindung darstellen und daher nicht als Einschränkung ihres Umfangs zu betrachten sind. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit den beigefügten Figuren beschrieben und erläutert werden.
Figurenliste
Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Erfindung werden besser verstanden, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügten Figuren gelesen wird, in denen gleiche Zeichen gleiche Teile in den Figuren darstellen, wobei:

1 ein Blockdiagramm eines Systems zur Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS) zeigt; und
2 einen technischen Aufbau zur Prüfung der Wahrnehmung mit synthetischen Daten zeigt.

Der Fachmann wird verstehen, dass die Elemente in den Figuren der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren in Form der wichtigsten Schritte, die zum besseren Verständnis der Aspekte der vorliegenden Erfindung beitragen. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in den Figuren durch herkömmliche Symbole dargestellt sind, und dass die Figuren nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Erfindung relevant sind, um die Figuren nicht mit Details zu überfrachten, die für Fachleute, die mit der vorliegenden Beschreibung vertraut sind, ohne weiteres erkennbar sind.
AUSFÜHRLICHE BESCHREIBUNG
Um das Verständnis der Erfindung zu fördern, wird nun auf die in den Figuren dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Erfindungsprinzipien in Betracht gezogen werden, die einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.
Es versteht sich für den Fachmann von selbst, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.
Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Erfindung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte einschließt, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.
Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, gemeinhin verstanden wird. Das System und die Beispiele, die hier angegeben werden, sind nur illustrativ und nicht als einschränkend gedacht.
Ausführungsformen der vorliegenden Erfindung werden im Folgenden unter Bezugnahme auf die beigefügten Figuren im Detail beschrieben.
1 zeigt ein Blockdiagramm eines Systems (100) zur Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS). Das System (100) umfasst: einen Simulator (102), der so konfiguriert ist, dass er den Rahmen für das Testen von L3-ADS validiert und die Fähigkeiten des autonomen Fahrens untersucht; ein Array von Kameras (104), das mit dem Simulator (102) verbunden ist, wobei das Array von Kameras (104) so konfiguriert ist, dass es Bilder der Fahrzeuge und der Straßen aufnimmt; eine semantische Segmentierungseinheit (106), die mit dem Array von Kameras (104) verbunden ist, um jedem Pixel in dem Bild ein Etikett zuzuweisen, um die aufgenommenen Bilder zu klassifizieren; und eine Testfallerzeugungseinheit (108), die mit der semantischen Segmentierungseinheit (106) verbunden ist, wobei die Testfallerzeugungseinheit (108) so konfiguriert ist, dass sie: Analysieren der Faktoren, die die autonomen Fahrfunktionen beeinflussen, einschließlich der Ego-Geschwindigkeit des Fahrzeugs, und die in dem durchzuführenden Test eine Rolle spielen; Erzeugen von Parametern aus den identifizierten Kriterien in einer zweiten Stufe; Ausführen eines Testlaufs unter Verwendung eines Satzes von Anweisungen und einer Vielzahl von Simulationswerkzeugen, wenn die Testsituationen simuliert werden; und Auswerten des Tests einschließlich der Auswertung der Simulation unter Verwendung mehrerer Kritikalitätskriterien in Fahrbedingungen, einschließlich der Zeit bis zur Kollision..
In einer anderen Ausführungsform basiert der Simulator auf Car Learning to Act (CARLA), das Großstadtformate, eine große Anzahl von Fahrzeugmodellen, Strukturen, Fußgängern, Straßenschildern usw. enthält.
In einer anderen Ausführungsform ist die CARLA so konfiguriert, dass sie sich auf die Darstellung von drei Wegen zum autonomen Fahren konzentriert, einschließlich einer beispielhaften besonderen Pipeline, eines von Anfang bis Ende durchgeführten Imitationslernens und eines von Anfang bis Ende durchgeführten Modellverstärkungslernens.
In einer anderen Ausführungsform behandelt die semantische Segmentierungseinheit mehrere Objekte der gleichen Klasse als eine einzige Einheit.
In einer anderen Ausführungsform wird ein Satz von Testfällen nach der Auswertung der von der Testfallerstellungseinheit durchgeführten Tests erstellt.
In einer anderen Ausführungsform ist die Testfall-Erzeugungseinheit ferner so konfiguriert, dass sie die Testauswertung erkundet, wobei die Umgebung entweder weiter erkundet wird oder vorhandenes Wissen in der Erkundungsphase angewendet wird.
In einer anderen Ausführungsform ist die Testfall-Erzeugungseinheit außerdem so konfiguriert, dass sie Parameter ändert, die eine E-Greedy-Funktion verwenden, um eine zufällige Aktion zu wählen, die die beste Belohnung bietet.
In einer anderen Ausführungsform führt die Auswahl einer Aktion dazu, dass der Wert eines Parameters durch Erhöhen oder Verringern geändert wird, wobei nach der Änderung des Parameters ein neuer Testfall mit den neuen Parametern erstellt wird und der Zyklus sich wiederholt.
2 veranschaulicht einen technischen Aufbau zur Prüfung der Wahrnehmung mit synthetischen Daten. Das Sehen ist eine wichtige Wahrnehmungsmodalität beim automatisierten Fahren und in der Robotik, die mit einem offenen Kontext umgehen muss. Es ist nicht möglich, alle möglichen visuellen Szenen zu modellieren. Daher ist maschinelles Lernen, eine Technik, die automatisch Verallgemeinerungen aus Beispielen erstellt, der modernste Ansatz für das Computersehen. Wahrnehmung ist eine Funktion, die rohe Eingangssignale von einem Sensor aufnimmt und semantische Informationen als Ausgabe berechnet. Nehmen wir als Beispiel eine Bildverarbeitungsfunktion, die als Eingabe ein Bild erhält und eine Interpretation des Bildinhalts wie Objekterkennung, semantische Segmentierung oder 3D-Tiefeninformationen ausgibt (siehe 2).
In einer anderen Ausführungsform wurde CARLA von Anfang an geschaffen, um die Entwicklung, Ausbildung und Validierung von Systemen für autonomes Fahren zu unterstützen. Zusätzlich zum quelloffenen Code und den Protokollen bietet CARLA offene, fortschrittliche Ressourcen (Großstadtdesigns, Gebäude, Fahrzeuge), die zu diesem Zweck entwickelt wurden und uneingeschränkt genutzt werden können. Die Simulationsphase bietet anpassungsfähige Details von Sensorsuiten, Wetterbedingungen, volle Kontrolle aller statischen und dynamischen Akteure, Kartengenerierung und vieles mehr.
In einer anderen Ausführungsform ist Unreal Engine 4 (UE4) eine Echtzeit-3D-Rendering-Engine und CARLA ist ein Wrapper für UE4, der die folgenden Anforderungen erfüllt: Generierung von Ground-Truth-Output, z. B.: Semantische Segmentierung, Objektboxen, Generierung von RGB-Eingabebildern, programmatisch steuerbar - notwendig für die Testgenerierung, enthält freie Inhalte (Landschaften, Objekte, Autos, Verhalten), und ist ein beliebtes akademisches Werkzeug, das von folgenden Firmen unterstützt wird: Intel, Toyota, GM.
In einer anderen Ausführungsform ist die semantische Segmentierung der Prozess, bei dem jedem Pixel des Bildes ein Etikett zugewiesen wird. Dies steht im krassen Gegensatz zur Klassifizierung, bei der dem gesamten Bild ein einziges Label zugewiesen wird. Bei der semantischen Segmentierung werden mehrere Objekte der gleichen Klasse als eine Einheit behandelt.
In einer weiteren Ausführungsform wird ein Ansatz vorgeschlagen, der auf Basis von Reinforcement Learning Optimierung kritische konkrete Szenarien und Testfälle für automatisierte Fahrfunktionen am Beispiel eines Überholassistenten generiert. Dabei wird ein Q-Learning-Ansatz verwendet, der die Parametergenerierung für die Testfälle automatisiert.
In einer anderen Ausführungsform bestehen die Konzepte zur Testfallerstellung aus 7 Schritten, einschließlich Analyse, Testfallerstellung, Testlaufausführung, Testauswertung, Exploration, Parameteränderung und Speichern kritischer Testfälle. Die erste Phase ist die Analyse, in der die Faktoren identifiziert werden, die die autonomen Fahrfunktionen beeinflussen, wie z.B. die Ego-Geschwindigkeit des Fahrzeugs, und die für den durchzuführenden Test eine Rolle spielen. Aus den identifizierten Kriterien werden in der zweiten Phase, der Testfallgenerierung, Parameter erzeugt. Die Testdurchführung erfolgt rein simulativ durch Software-in-the-Loop-Tests mit Simulationswerkzeugen im dritten Schritt, bei dem die Testsituationen simuliert werden. Die vierte Phase ist die Testauswertung, bei der die Simulation anhand mehrerer Kritikalitätskriterien unter Fahrbedingungen, wie z. B. Zeit bis zur Kollision, bewertet wird. Im zweiten Schritt können nach der Auswertung neue Testfälle erstellt werden. Nach der Testevaluierung wird die Umgebung entweder weiter erkundet oder das vorhandene Wissen in der Explorationsphase angewendet. Dies geschieht durch den Verstärkungsalgorithmus in Verbindung mit der Testauswertung. Die sechste Stufe ist die Parameteränderung, bei der ein E-Greedy-Algorithmus eingesetzt wird, um eine zufällige Aktion zu wählen, die die beste Belohnung bietet. Bei der Wahl der Aktion wird der Wert eines Parameters verändert, indem er erhöht oder verringert wird. Nach der Parameteränderung wird ein neuer Testfall mit den neuen Parametern erstellt, und der Zyklus wiederholt sich. Zusätzlich werden in der Phase Kritische Testfälle speichern kritische Tests gespeichert.
In einer anderen Ausführungsform werden die kritischen Szenarien als potenziell schädliche Szenarien für den Systementwurf, die Sicherheitsanalyse, die Überprüfung oder die Validierung beschrieben. Es ist von entscheidender Bedeutung, unbekannte kritische Szenarien zu entdecken und sie dann sicher zu machen. Ein kritisches Szenario in einer ODD hat zwei Hauptkomponenten: auslösende Bedingungen und sicherheitskritische Betriebsereignisse. Daher könnte ein unbekanntes kritisches Szenario aus einem unbekannten auslösenden Umstand oder einer unbekannten sicherheitskritischen Betriebssituation resultieren.
Außerdem erfordert die Sicherheitsvalidierung von SAE Level 3-5 Systemen in komplexen Umgebungen, einschließlich Straßen- und Klimabedingungen, völlig neue Systeme und Zyklen. Szenariobasierte Strategien für das Testen und Genehmigen von automatisierten Fahrsystemen (ADS) unter virtuellen Testbedingungen gewinnen an Dynamik und werden schnell zu einem bedeutenden Teil der ADS-Verifizierung und Validierung. Die erweiterte Komplexität der Systeme und die Kosten für echte Tests führen zu einer dramatischen Entwicklung des Testaufwands. Durch den Einsatz von szenario- und simulationsbasierten Ansätzen kann dieser Aufwand in Bezug auf Kosten und Zeit deutlich verringert werden. Die Bestimmung eines passenden Simulationsframeworks und die Auswahl geeigneter Szenarien für das zu testende Framework sind die mühsamsten Aufgaben. Eine datengetriebene Strategie wird verwendet, um die Sicherheit der zu sendenden automatisierten Fahrzeuge (AVs) zu untersuchen, wobei Szenarien einen wesentlichen Einfluss haben. Durch virtuelle und reale Sicherheitsvalidierung werden ausgewählte Testbedingungen genutzt, um ein AV quantitativ zu untersuchen. Zertifizierbare Fahrdaten werden verwendet, um verschiedene Umstände unterwegs zu beschreiben, einschließlich der Bewegungen von Verkehrsteilnehmern, normaler Straßen- und Infrastrukturlayouts sowie Klima- und Lichtbedingungen. Auf der ersten Reflexionsebene werden die Szenarien subjektiv dargestellt, während auf der zweiten Reflexionsebene die Szenarien quantitativ mit Hilfe von Grenzen und Modellen beschrieben werden. Die Szenarien sollten ein breites Spektrum von Szenarien abdecken, die ein AV im nachweisbaren realen Verkehr erleben könnte. Dementsprechend sind verschiedene Umstände denkbar.
In einer anderen Ausführungsform klassifiziert die Kamera mit „semantischer Segmentierung“ jedes Objekt in der Ansicht, indem sie es je nach Objektklasse in einer anderen Farbe darstellt. So werden z. B. Fußgänger in einer anderen Farbe angezeigt als Fahrzeuge. Dies geschieht, indem jeder Gegenstand in der Szene vorher gekennzeichnet wird (entweder zu Beginn des Spiels oder bei Spawns). Diese Kamera klassifiziert jedes Objekt in Sichtweite, indem sie es entsprechend seiner Beschriftung in einer anderen Farbe anzeigt (z. B. Fußgänger in einer anderen Farbe als Fahrzeuge). Zu Beginn der Simulation wird jede Komponente der Szene mit einem Tag versehen. Dies geschieht, wenn ein Akteur erzeugt wird. Die Objekte werden nach ihrem allgemeinen Dateipfad in der Aufgabe klassifiziert. Zum Beispiel werden Meshes, die in Unreal/CarlaUE4/Content/Static/Pedestrians abgelegt werden, als Pedestrian bezeichnet..
In einer anderen Ausführungsform sollen die in diesem Bericht vorgestellten Szenarien die meisten Szenarien abdecken, denen ein Fahrzeug im Verkehr begegnen kann. Diese Szenariokategorien können dann verwendet werden, um geeignete Testfälle für die AV-Bewertung zu konstruieren. In den meisten Situationen gibt es außer dem Ego-Fahrzeug mindestens zwei weitere Akteure. Es sind viel mehr Interaktionen möglich, wenn mehr als ein weiterer Akteur berücksichtigt wird. In der Tat vervielfacht die Anzahl der beteiligten Akteure die Möglichkeiten immens. Es werden einige kritische Testsituationen identifiziert, und es wird eine synthetische Szene innerhalb einer definierten ODD mit dem CARLA-Simulator erzeugt.
Ein weiterer Aspekt ist, dass der Übergang zu einem höheren Grad der Automatisierung des Fahrens eine Vielzahl von unerwarteten Problemen und Vorkommnissen mit sich bringt. Um diese Schwierigkeiten zu überwinden, nimmt die Anzahl der Funktionen in den heutigen Fahrzeugen in Bezug auf die Komplexität der Datenverarbeitung und die erforderliche Ausrüstung zu. Das Testen der implementierten Lösungen in der Realität ist extrem teuer und nimmt einen Großteil des Tages in Anspruch. Aus diesem Grund haben virtuelle Simulationstechnologien für die Automobilprüfung eine Menge positiver Presse erhalten. Diese Tools werden von OEMs eingesetzt, um einen geschlossenen Kreislauf aus Erkennen, Berechnen und Handeln zu schaffen. Die Erstellungssoftware wird mit simulierten Erkennungsinformationen ausprobiert, und die simulierten Aktionsergebnisse werden im Hinblick auf die Softwarebefehle erzeugt. Dies unterstützt OEMs bei der Feinabstimmung von Fahrzeugplänen vor der Auslieferung von Prototypen. Die frühzeitige Verbesserung führt zu niedrigeren Kosten und kürzeren Vorlaufzeiten. CARLA, ein Open-Source-Simulator, wird zur Erstellung synthetischer Bilder verwendet. Der Zweck dieses Projekts ist die Schaffung eines POC-Validierungsrahmens für die Verwendung eines CARLA-Simulators zum Testen von L3 ADS.
Die Figuren und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. So kann beispielsweise die Reihenfolge der hier beschriebenen Prozesse geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden; auch müssen nicht unbedingt alle Aktionen durchgeführt werden. Auch können die Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.
Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorteile, Problemlösungen und jede Komponente, die dazu führen kann, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder eine Komponente eines oder aller Ansprüche zu verstehen.
Bezugszeichenliste

100: Eines Systems zur Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS)
102: Simulator
104: Array von Kameras
106: Semantische Segmentierungseinheit
108: Testfallgenerierungseinheit
202: Bild = Pixeldaten einer Kamera
204: Rahmenwerk für Computer Vision
206: Semantische Segmentierung
208: Unreal engine 4/ CARLA (3D-Grafik)
210: Synthetisches Bild
212: Grundwahrheit

Claims

Ein System zum Testen von automatisierten Fahrsystemen der Stufe 3 (ADS), wobei das System umfasst: einen Simulator, der so konfiguriert ist, dass er den Rahmen für die Prüfung von L3 ADS validiert und die Fähigkeiten des autonomen Fahrens untersucht; eine Reihe von Kameras, die mit dem Simulator verbunden sind, wobei die Reihe von Kameras so konfiguriert ist, dass sie Bilder der Fahrzeuge und Straßen erfasst; eine semantische Segmentierungseinheit, die mit der Anordnung von Kameras verbunden ist, um jedem Pixel in dem Bild eine Kennzeichnung zuzuweisen, um die aufgenommenen Bilder zu klassifizieren; und eine Testfallerzeugungseinheit, die mit der semantischen Segmentierungseinheit verbunden ist, wobei die Testfallerzeugungseinheit konfiguriert ist, um: Analyse der Faktoren, die die Funktionen des autonomen Fahrens beeinflussen, einschließlich der Ego-Geschwindigkeit des Fahrzeugs, und deren Rolle bei der Durchführung des Tests; in einem zweiten Schritt Parameter aus den ermittelten Kriterien zu erstellen; Ausführen eines Testlaufs unter Verwendung eines Satzes von Anweisungen und einer Vielzahl von Simulationswerkzeugen, wenn die Testsituationen simuliert werden; und Test auswerten, einschließlich der Bewertung der Simulation anhand mehrerer Kritikalitätskriterien unter Fahrbedingungen, einschließlich der Zeit bis zur Kollision.
System nach Anspruch 1, wobei der Simulator auf Car Learning to Act (CARLA) basiert, das großstädtische Formate, eine große Anzahl von Fahrzeugmodellen, Strukturen, Fußgängern, Straßenschildern und so weiter umfasst..
System nach Anspruch 2, wobei die CARLA so konfiguriert ist, dass sie sich auf die Darstellung von drei Wegen zum autonomen Fahren konzentriert, einschließlich einer beispielhaften besonderen Pipeline, von Anfang bis Ende Imitationslernen und von Anfang bis Ende Modellverstärkungslernen.
System nach Anspruch 1, wobei die semantische Segmentierungseinheit mehrere Objekte der gleichen Klasse als eine einzige Einheit behandelt.
System nach Anspruch 1, wobei ein Satz von Testfällen nach der Auswertung der von der Testfallerzeugungseinheit durchgeführten Tests erstellt wird.
System nach Anspruch 1, wobei die Testfallerzeugungseinheit ferner so konfiguriert ist, dass sie die Testauswertung erkundet, wobei die Umgebung entweder weiter erkundet wird oder vorhandenes Wissen in der Erkundungsphase angewendet wird.
System nach Anspruch 1, wobei die Testfall-Erzeugungseinheit ferner so konfiguriert ist, dass sie Parameter ändert, die eine E-Greedy-Funktion verwenden, um eine Zufallsaktion zu wählen, die die beste Belohnung bietet.
System nach Anspruch 1, wobei die Auswahl einer Aktion die Änderung des Wertes eines Parameters durch Erhöhen oder Verringern beinhaltet, wobei im Anschluss an die Parameteränderung ein neuer Testfall unter Verwendung der neuen Parameter erstellt wird und sich der Zyklus erneut wiederholt.