Statistical Modelling of Driving Scenarios in Road Traffic using Fleet Data of Production Vehicles

确保道路车辆的安全水平在可接受的范围内需要消除与自动驾驶功能及其实施相关的所有潜在危险的不合理风险。确保与功能不足相关的危险行为不存在不合理的风险被称为预期功能安全性（SOTIF），这是ISO 21448标准中概述的一个概念。在这种情况下，获取真实驾驶数据被认为是验证和验证的关键。为此，我们目前正在开发一种方法，将未来从生产车辆中代表性地收集的数据建模为基于知识的系统。该系统表示具体驾驶场景在道路交通的统计人口中发生的概率，并使其可用。该方法包括定性和定量地抽象记录在车辆传感器中的驾驶数据，随后从车辆传输抽象数据的可能性以及场景参数的分布和相关性的推导。本文提供了研究项目的摘要，并概述了其核心思想。为此，除其他外，从ISO 21448详细阐述了道路交通的统计信息和数据的需求，还讨论了方法论方面的问题。

本论文旨在解决自动驾驶功能实施中的潜在危险问题，提出了安全的预期功能性（SOTIF）的概念，并提出了一种方法来收集生产车辆的真实驾驶数据，以验证和验证自动驾驶功能的安全性。

本论文提出了一种将从生产车辆中收集的驾驶数据建模成基于知识的系统的方法，该系统代表了道路交通统计人群中具体驾驶情景发生的概率，并使其可用。该方法包括对车辆传感器记录的驱动器进行定性和定量抽象，随后可能通过无线传输从车辆中提取抽象数据以及推导情景参数的分布和相关性。

本论文详细说明了从ISO 21448中阐述的对统计信息和道路交通数据的需求，讨论了目前研究的现状和方法论方面。实验设计了一种基于知识的系统，该系统代表了道路交通统计人群中具体驾驶情景发生的概率，并使其可用。

最近的相关研究包括：1.《基于机器学习的自动驾驶车辆安全性验证》；2.《自动驾驶汽车的安全性保障方法研究》；3.《自动驾驶汽车的安全性验证及其方法研究》等。