基于学习和模型检测的辅助驾驶场景安全的分析方法.pdfVIP

华东师范大学硕士学位论文 要 随着汽车行业的蓬勃发展，交通事故数量也在大幅上升。自动驾驶技术应运 而生，且日益兴起。但是其最重要的安全性一直是个具有挑战性的难题。因此自动 驾驶技术大规模推广应用十分困难。辅助驾驶系统作为典型的信息物理融合系统， 能够根据场景的变化辅助驾驶员进行安全驾驶，具有很大的应用前景。 辅助驾驶系统的运行环境中存在着大量的不确定性，不仅包括车外驾驶场景 的复杂多变，还包括车内驾驶员自身的不确定性。环境的不确定性，会导致系统的 行为具有不确定性，是影响系统安全性的重要因素之一。形式化方法能够精确建 模系统的行为，并支持使用模型检测技术分析，验证系统的行为正确性。如何使用 形式化方法建模，分析辅助驾驶系统的不确定环境，是提高此类系统安全性所面临 的重要挑战问题之一。 因此本文从车内驾驶员因素和车外的周边场景因素着手，分别对车内外场景 进行了建模及验证研究。本文的研究内容及成果主要有以下几点： 1. 针对车内的驾驶员的不确定性行为，本文提出了基于学习和模型检测的驾驶 员行为分析方法。使用摄像头采集驾驶员数据，构建卷积神经网络(CNN) 从 图像中提取驾驶员特征数据，并使用朴素贝叶斯算法构建驾驶员状态预测模 型。马尔科夫决策过程(MDP) 模型可以很好地量化出驾驶员行为的不确定性 及状态迁移概率。因此，根据生成状态预测模型，结合给定的驾驶员历史数 据，可以构建出驾驶员的MDP 模型。使用PRISM 模型验证工具对基于MDP 模型的驾驶员状态进行预测评估及量化分析。 2. 针对车外基于连续时间变化的场景，本文提出了基于随机混成自动机网络 (NSHA) 的场景建模及验证方法。使用条件蒙特卡洛密集占用追踪器(CMC- DOT) 框架，实现对环境的感知，有效获取周边车辆及行人的相关信息。根 据辅助驾驶的车外场景的特征，例如周边车辆，道路状况等，抽取场景中重 要对象，提出了场景特征树的表示方法。针对场景中连续变化的速度，位置 等变量，NSHA 可以对基于连续时间变化的系统进行有效地刻画描述。基于 UPPAAL SMC 验证工具，实现分析，评估场景的安全性。此外，我们给出了 辅助驾驶算法，集成了基于NSHA 建模及验证的场景安全性分析方法。 3. 为了证明本文所提方法的有效性，本文对三个典型的辅助驾驶场景案例进行 了研究。用模拟驾驶软件CARLA，实现对三个典型场景的数据采集。并基于 i 华东师范大学硕士学位论文 采集的数据，使用提出的方法构建出场景的NSHA 模型，并用UPPAAL SMC 实现了对各个场景的验证分析。验证分析的结果表明，本文所提出的验证分 析方法能够有效量化预测自身车辆进入不安全状态的概率，评估当前及未来 场景的安全程度。 4. 本文分别设计实现了MDP 模型生成器与基于NSHA 辅助驾驶场景的验证模 型自动生成器软件。MDP 模型生成器软件可用于自动化构建驾驶员行为的 MDP 模型，并将模型转换成对应的PRISM 代码。验证模型自动生成器软件 可以根据场景数据输入，自动化构建出UPPAAL SMC 模型验证器可识别的 NSHA 模型。这两款工具软件为本文所提的理论方法提供了技术支撑，能够 有效实现理论方法的工程应用。 : 辅助驾驶系统，不确定性，MDP ，模型检测，场景建模，NSHA ii 华东师范大学硕士学位论文 ABSTRACT With the rapid development of the automotive industry, the number of traffic ac- cidents has also risen sharply. A