構建巨量的駕駛場景時，測試ADAS和AD系統(tǒng)面臨著巨大挑戰(zhàn)，如傳統(tǒng)的實驗設計（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一步提升自動駕駛系統(tǒng)性能的關鍵。

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

一、傳統(tǒng)解決方案：靜態(tài)DoE

標準的DoE方案旨在系統(tǒng)性地探索場景的參數(shù)空間，從而確保能夠實現(xiàn)的測試覆蓋范圍。但在邊緣案例，比如暴露在潛在安全風險的場景或是ADAS系統(tǒng)性能極限場景時，DoE方案通常會失效，讓我們看一些常見的DoE方案：

1、網(wǎng)格搜索法（Grid）

實現(xiàn)原理：將場景空間按照網(wǎng)格進行劃分，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：在大參數(shù)空間下計算耗時將會難以估計。

2、隨機抽樣（Random Sampling）

實現(xiàn)原理：在定義的參數(shù)空間內(nèi)進行隨機選擇測試樣例。

優(yōu)勢：易于實現(xiàn)，而且擴展性能好。

缺點：可能會錯過重要的樣例從而導致測試效果大打折扣。

3、拉丁超立方體抽樣（LHS）

實現(xiàn)原理：確保每個參數(shù)在相應區(qū)間內(nèi)進行均勻采樣，從而改善數(shù)據(jù)結果的分布。

優(yōu)勢：比隨機抽樣效率更高，覆蓋范圍更加合理，樣本分布也更均衡。

缺點：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)方法沒有考慮高風險因素以及自適應學習過往測試結果的過程，針對這一點我們分享一個新的自適應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，然而事實上，在ADAS/AD系統(tǒng)的測試過程中，邊緣場景則影響著關鍵性能的提升。在康謀aiFab解決方案中，基于AI的自適應DoE解決方案將會根據(jù)先前的測試結果，動態(tài)選擇測試用例，在未通過的案例中學習并調(diào)整泛化注意力。

1、貝葉斯優(yōu)化（BO）：通過學習優(yōu)化的智能測試

貝葉斯優(yōu)化將全量搜索場景的方法轉換成由數(shù)據(jù)驅動的智能方案，與隨機取樣等方案不同：

（1）BO方案將會預測最有可能暴露失敗風險的新測試用例。

（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)與關鍵性指標的映射目標函數(shù)。

（3）然后結合采集函數(shù)Acquisition Function，比如通過下置信屆LCB或者期望改進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，有效找到目標函數(shù)的解。

2、映射目標函數(shù)之關鍵性指標

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

（1）碰撞時間TTC：決定車輛距離碰撞有多近

（2）入侵后時間PET：交通沖突后剩余時間間隔

（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算資源集中在最需要的地方，從而更高效的發(fā)現(xiàn)關鍵邊緣場景，而不是在常規(guī)場景上耗費時間。

三、結語

憑借最新的自適應DoE功能，aiFab給ADAS/AD驗證帶來了諸多益處：

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

（2）更低的資源耗費：專注于特定方向的案例場景

（3）更好的風險覆蓋范圍：提升檢測稀少邊緣關鍵場景的能力

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