自动驾驶汽车安全:超越道路测试的挑战

版权申诉
0 下载量 96 浏览量 更新于2024-07-20 收藏 5.11MB PDF 举报
"本次演讲的主题是《自动驾驶汽车安全的大局》,由Philip Koopman教授在2019年的Safe Systems Summit上发表。讨论了自动驾驶汽车的安全标准,包括传统的车辆软件安全、驾驶辅助系统的安全(ADAS/SOTIF)、全自动驾驶的安全问题以及系统生命周期、社会与伦理问题。" 在自动驾驶汽车安全领域,首先提到了传统的车辆软件安全,这部分着重于确保车辆硬件设备的正常运行,并避免设计缺陷导致的安全问题。驾驶员对行车安全负有最终责任,即功能性安全,需要确保车辆能够正确执行如转向等基本操作,并在设备故障时做出响应,保持可控性。 接着,演讲探讨了驾驶辅助系统(ADAS)的安全性,这些系统旨在帮助驾驶员在特定情况下进行辅助驾驶,但同时也提出了安全之外的适合性问题(SOTIF),即系统在未预期或边界条件下的表现。 对于全自动驾驶的安全,Koopman教授强调了感知、运营和系统生命周期的重要性。自动驾驶汽车需要具备精确的环境感知能力,以理解并应对复杂的交通情况。运营方面,如何在实际道路环境中安全有效地运行是一个挑战。系统生命周期则涵盖了从设计、开发、测试到部署和维护的全过程,确保每个阶段都符合安全标准。 针对大规模的道路测试,Koopman教授指出,单纯依赖大量的实地测试来验证安全性能是不现实的。如果每百万英里才发生一次关键事故,那么要进行三到十倍于事故率的测试,即可能需要测试10亿英里,这相当于在全球所有公路上往返约25次,而且可能还遇不到10次关键事故。因此,他提倡基于标准的安全工程方法,通过系统性的设计和验证来确保安全性。 此外,演讲还涉及了自动驾驶带来的社会和伦理问题,比如如何处理自动驾驶汽车在道德困境中的决策,以及如何获得公众的信任和接受。这些问题不仅涉及到技术层面,还关系到法律、道德和社会规范的制定。 这篇演讲揭示了自动驾驶汽车安全的多维度挑战,从技术、法规、伦理等多个角度探讨了实现安全自动驾驶所需考虑的关键因素。为了确保自动驾驶汽车的安全,必须综合运用标准驱动的安全工程方法,同时解决社会和伦理层面的复杂问题。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R