テストトラックにおける高度自動運転システムの安全性評価．新たなフレームワーク

/ /

日本語AIでPubMedを検索

PubMedの提供する医学論文データベースを日本語で検索できます。AI(Deep Learning)を活用した機械翻訳エンジンにより、精度高く日本語へ翻訳された論文をご参照いただけます。

Accid Anal Prev.2020 Jul;144:105664. S0001-4575(20)30262-1. doi: 10.1016/j.aap.2020.105664.Epub 2020-07-10.

テストトラックにおける高度自動運転システムの安全性評価．新たなフレームワーク

Safety assessment of highly automated driving systems in test tracks: A new framework.

Shuo Feng
Yiheng Feng
Xintao Yan
Shengyin Shen
Shaobing Xu
Henry X Liu

PMID: 32659494 DOI: 10.1016/j.aap.2020.105664.

抄録

高度自動運転システム（ADS）の3大安全評価手法（シミュレーション、テストトラック、路上試験）のうち、テストトラックは、忠実度が高く、安全で制御可能な試験環境を提供します。しかし、現実的な背景交通がないため、テストトラックでテストできるシナリオは通常静的で限られています。この制限に対処するため、本論文では、拡張現実（AR）試験プラットフォームと試験シナリオライブラリ生成（TSLG）手法を統合した新しい安全性評価フレームワークを提案する。本論文では、拡張現実（AR）試験プラットフォームと試験シナリオライブラリ生成（TSLG）手法を統合した新しい安全評価フレームワークを提案する。TSLG法では、各運用設計領域(ODD)におけるクリティカルシナリオを体系的に生成し、TSLG法で生成したクリティカルシナリオをARテストプラットフォームにインポートすることが可能である。提案したフレームワークは、ミシガン大学のMcityテストトラックにレベル4のADSを用いて実装された。フィールドテストの結果、提案されたフレームワークは、費用対効果の高い方法で高度なADSの安全性能を正確かつ効率的に評価できることが示された。カットイン事例では、提案フレームワークはオンロードテストアプローチと比較して9.87×10倍の評価プロセスを加速させると見積もられた。

Among the three major safety assessment methods (i.e., simulation, test track, and on-road test) for highly automated driving systems (ADS), test tracks provide high fidelity and a safe and controllable testing environment. However, due to the lack of realistic background traffic, scenarios that can be tested in test tracks are usually static and limited. To address this limitation, a new safety assessment framework is proposed in this paper, which integrates an augmented reality (AR) testing platform and a testing scenario library generation (TSLG) method. The AR testing platform generates simulated background traffic in test tracks, which interact with subject ADS under test, to create a realistic traffic environment. The TSLG method can systematically generate a set of critical scenarios under each operational design domain (ODD) and the critical scenarios generated from the TSLG method can be imported into the AR testing platform. The proposed framework has been implemented in the Mcity test track at the University of Michigan with a Level 4 ADS. Field test results show that the proposed framework can accurately and efficiently evaluate the safety performance of highly ADS in a cost-effective fashion. In the cut-in case study, the proposed framework is estimated to accelerate the assessment process by 9.87×10 times comparing to the on-road test approach.