点击下方卡片，关注“自动驾驶专栏”公众号
自动驾驶干货 ，即可获取- 论文链接：https://arxiv.org/pdf/2401.07063.pdf
摘要
本文介绍了ACAV：用于自动驾驶汽车事故记录中自动因果分析的框架。自动驾驶汽车（AVs）的快速发展使无人驾驶的未来比以往任何时候都更接近。然而，最近的死亡事故突出了通过大规模测试实现安全性验证的重要性。多种方法通过高保真度的仿真器来完全自动实现这一点，即通过生成不同的驾驶场景并且对于不同的测试预言来评估自动驾驶系统（ADSs）。尽管这些方法能够有效地发现违规行为，但是它们无法确定导致违规行为的决定和行为，而这些信息对于提高ADSs的安全性是至关重要的。为了应对这一挑战，本文提出了ACAV，这是一个自动化框架，旨在分两个阶段对自动驾驶汽车的事故记录进行因果分析。首先，我们基于ADS模块之间交换的消息来应用特征提取模式，并且使用一种加权投票方法来丢弃与事故无关的记录帧。其次，我们使用安全规范来确定安全关键的帧，并且通过将CAT（本文的因果分析工具）应用于位置-时间（ST）图来推断因果事件。我们在Apollo ADS上评估了ACAV，结果发现它能够在由自动驾驶汽车测试引擎生成的110个事故记录的93.64%中确定五种不同类型的因果事件。我们使用加入特定事故的Apollo版本采集的1206个事故记录来进一步评估ACAV，结果发现ACAV可以正确识别96.44%由预测错误引发的事故和85.73%由规划错误引发的事故中的因果事件。
主要贡献
本文的贡献总结如下：
1）本文提出了使用来自自动驾驶汽车事故记录中的ADS消息来实现矢量化地图、感知、预测和规划信息的特征提取模式；
2）本文提出了一种用于确定和丢弃与事故无关的记录片段的机制；
3）本文开发了一种通过利用ST图从事故记录中识别安全关键帧的工具；
4）据我们所知，ACAV是首个用于自动驾驶汽车事故分析和解释的模块化框架；
5）本文通过对Apollo7.0和AVL的联合仿真，能够识别自动驾驶汽车事故记录中五种类型的因果事件。
论文图片和表格
总结
本文提出了ACAV，这是一个用于确定自动驾驶汽车事故中因果事件的自动化框架。我们在Apollo和Autoware.universe中成功地实现了它，并且使用来自百度Apollo ADS的110个事故驾驶记录来评估本文框架，成功地识别了其中103个事件的因果事件。在分析了加入特定故障的ADSs采集的1206个事故记录后，我们进一步表明，其正确识别了因果事件。
在今后的工作中，我们有兴趣开发ADSs的自动编程修复技术，利用来自事故的因果分析结果。通过加入这些改进，我们希望构建一个全面的框架，其可以为现实世界场景中自动驾驶汽车的安全性和可靠性做出重大贡献。
点击下方卡片，关注“自动驾驶专栏”公众号
自动驾驶干货 ，即可获取【自动驾驶专栏论文速递】是自动驾驶专栏推出的板块，争取每日更新！旨在引领自动驾驶领域相关人员快速了解行业最新技术，对于具有代表性的研究成果，也会进行详细解读！请大家多多支持！蟹蟹~
来源：专业技术网站
