A Methodology for Safety Assessment of Highly Automated Vehicles : From Scenario Classification to Corner Case Identification

Das autonome Fahren stellt einen technologischen Sprung nach vorne dar, der wahrscheinlich der Schlüssel zur Lösung des aktuellen Verkehrs und verschiedener sozialer Probleme ist. Dank des zunehmenden Automatisierungsgrades soll das Hochautomatisierte Fahrzeug (HAV) in der Lage sein, immer komplexere Verkehrssituationen zu bewältigen, so dass es die Fahraufgaben übernehmen und den Menschen von langweiligen Langzeitfahrten befreien kann. Je höher jedoch der Automatisierungsgrad, desto komplexer ist das HAV. Wie in verschiedenen Literaturen angesprochen, ist die Prüfung und Validierung des HAVs, um die Gewährleistung der Sicherheit zu gewährleisten, eine der schwierigsten Aufgaben, die das HAV an der kommerziellen Freigabe hindern. Um das Testen und Validieren des HAV bereits in der Designphase zu ermöglichen, muss die Simulation (Virtual Testing) einbezogen werden. Daher liegt der Schwerpunkt dieser Forschungsarbeit auf der virtuellen Erprobung des HAV. Die These betrifft die Entwicklung einer Methodik zur Begrenzung der Anzahl der Fälle, die bei der virtuellen Prüfung der HAV sowie verschiedene Ansätze zur Beurteilung der Sicherheit des HAVs. Um dieses Ziel zu erreichen, haben wir einen Katalog von zählbaren Szenarien erstellt, der über $90 \%$ der in der US-Autobahndatenbank zwischen 2010 und 2013 gemeldeten (Beinahe-)Unfälle abdeckt. Basierend auf diesem Katalog wurde ein Ansatz entwickelt, der eine realistische Parametrisierung des Szenarios durch experimentelle Messungen ermöglicht. Es geht darum, den Großteil der realen Verkehrssituation (basierend auf Messungen) mit dem eher einfachen Parametersatz abzudecken. Die realistische Parametrisierung des Szenarios ermöglicht die Bestimmung einer Grenze, die den sicheren Zustand von der Unsicherheit (Kollision) trennt. Eine Design of Experiment Strategie wurde ebenfalls entwickelt, um die Grenze auf effiziente Weise zu finden. Und die grenznahe Region sind somit die sogenannten Eckfälle, auf die sich die weitere Validierung konzentrieren sollte. Basierend auf der kollisionsfreien Grenze haben wir auch einen Ansatz entwickelt, der die Kollisionswahrscheinlichkeit des HAV in Bezug auf die reale Verkehrssituation schnell schätzt. Die Kollisionswahrscheinlichkeit wird oft als Kriterium für das Sicherheitskeller des HAV im Hinblick auf die Kollisionserkennung und -vermeidung herangezogen. Für einige Situationen wird die Kollisionswahrscheinlichkeit nicht nur durch das Verhalten des HAVs bestimmt, sondern auch durch die Reaktion anderer Verkehrsteilnehmer verändert. Z.B. in der Einfahrsituation wechselt das HAV die Spur nach links, wobei sich ein anderes Fahrzeug mit höherer Geschwindigkeit von hinten dem HAV nähert. In diesem Fall ist der auf Kollisionswahrscheinlichkeit basierende Ansatz für die Sicherheitsbewertung nicht einfach anwendbar, da das Bremsmanöver dieses Hinterfahrzeugs hauptsächlich bestimmt, ob es mit dem HAV kollidiert. Ergänzend zur Kollisionswahrscheinlichkeit haben wir auch alternative Kriterien für das Sicherheitskeller des HAVs mit Spurwechselfunktion, meist bekannt als autonome Überholfunktion, vorgeschlagen. Dieser Ansatz konzentriert sich auf die Bewertung der Vorsicht des HAVs in einer Spurwechselsituation durch Beobachtung der Wahl der verschiedenen Lücken, die unabhängig von der Reaktion anderer Verkehrsteilnehmer sind, vor Beginn eines Spurwechselmanövers. Es ermöglicht eine schnelle Abschätzung der potenziellen Auswirkungen des Spurwechselmanövers des HAVs auf die anderen Verkehrsteilnehmer auf der angrenzenden Fahrspur und bewertet so seine Sicherheit in Bezug auf die reale Verkehrssituation.Autonomous driving represents a technological leap forward that will likely solve key aspects of the transport problem and so have beneficial effects for some ciritical social and ecological issues as well. Indeed, thanks to increasing levels of automation, the Highly Automated Vehicle (HAV) is expected to be able to handle more and more complex traffic situations so that it can take over driving tasks and free human beings from driving for long periods of time. It is also expected to reduce accidents and improve traffic fluidity, reducing the overall carbon footprint, among other advantages. However, the higher the automation level, the more complex the HAV. As addressed by many, testing and validation of the HAV, so as to guarantee safety, is one of the most challenging tasks that still prevent the HAV from commercial release. Complexity excludes the use of well established methods for testing of classical vehicles, by on-road testing. This has led to a wide consensus that simulation - “virtual testing” - must be included as early as in the design phase. However, even simulation cannot test all possible situations. As HAVs will include many functions which can be updated frequently and require re-evaluation in short time, fast re-evaluations will be needed to prevent new dangers arising from the updates. This leads to the dilemma of HAV testing: on one side, we need to test enough situations to be confident about the behavior of HAV in the general, unknown case, but on the other side these tests need to be as limited as possible. Against this background, this research work is focused on developing such a methodology. The key idea is to replace on-road testing by accident statistics so to say “involuntary” fleet testing and to use model based methods as well as Design of Experiments to determine a limited set of cases to be tested. As an example to explain our approach, we concentrate on highways and starts by establishing a catalogue of countable scenarios, which cover over 90\% of the (near-) crashes reported in U.S. highway databases between 2010 and 2013. Utilizing the catalogue, an approach has been developed leading to a realistic but parsimonious model based parametrization of the scenarios using experimental measurements. This allows covering the majority of the measured real traffic situation with a rather simple parameter set. The parametrization can then be used to determine a boundary that separates safe conditions from unsafe ones by a suitable Design of Experiment strategy. The region near the boundary is what the further validation should focus on: the so-called corner cases. Based on this collision free boundary, we also developed an approach quickly estimating the collision probability of the HAV with respect to the real traffic situation. The collision probability is often taken as the criteria for the safety assessment of the HAV in term of collision detection and avoidance. Usually, the collision probability is computed only in view of the behavior of the HAV, even though in a real setting it is also altered by the reaction of other traffic participants. As an example, the HAV can change correctly lane to the left, but if another vehicle on the new lane is approaching from behind with higher velocity, a collision can still result. Or cutting in in front of a slower vehicle can be completely safe for the HAV, but it may cause a panic reaction by a human driver in the other vehicle and lead to an accident between other vehicles. Therefore, we propose to extend the safety assessment by an additional criteria, which we call cautiousness, which in the mentioned cases would be related to the gaps left in front of the other vehicles.submitted by DI. Jinwei ZhouUniversität Linz, Dissertation, 2019OeBB(VLID)437022