2024年10月21日至23日,课题组田野副教授、张赫博士生前往美国匹兹堡参加2024 IEEE IAVVC(IEEE International Automated Vehicle Validation Conference)研讨会。本次会议由卡内基梅隆大学主办,围绕交通行业在数字化和电气化转型过程中的关键议题,共同探讨自动驾驶车辆技术的最新进展与实践应用。
美国匹兹堡
会议期间,多位著名学者以及企业界的顶尖专家发表了主题演讲。Raj Rajkumar教授介绍了卡耐基梅隆大学如何为自动驾驶技术的发展做出贡献,特别是在学术界与行业之间的合作方面,进一步推动了自动驾驶领域的创新。Henry Liu教授介绍了自动驾驶安全性测试方法与其在Mcity中的实践应用,通过密集强化学习生成专注安全关键场景的智能测试环境,解决了自动驾驶测试验证的低效难题。Lightwheel AI创始人Steve Xie发表了题为“派生数据加速自动驾驶大模型开发与验证”的演讲,讲解了派生数据在解决传统数据采集挑战方面的优势,特别是在场景生成、数据多样性和减少现实世界数据需求方面的应用,提出派生数据应该兼顾效率、真实性和交互型。除此之外,来自U.S. Department of Transportation,Aurora Innovation等机构的多位专家均发表了精彩演讲。
会议交流时刻
此外,会议还通过小组讨论、海报展示、论文宣讲和现场技术演示等形式,围绕如何利用新技术提升自动驾驶验证效率、如何扩展自动驾驶应用规模以及全球政策创新等热点问题进行了深入交流。
会议交流时刻
张赫在会议期间分享了课题组的最新研究成果,汇报研究为《Flow to rare events: an application of normalizing flow in temporal importance sampling for automated vehicle validation》。该研究聚焦于自动驾驶安全性测试的“高维灾难”和“稀有度灾难”。针对背景车行为可以时变演化、行为变量由连续性参数表征的复杂时序测试场景,提出危险场景概率分布生成方法。利用场景的马尔可夫性对自然驾驶场景进行时序分解,并建立危险场景分布与自然驾驶分布的关联关系,解决危险事件稀缺不足以支撑分布学习的难题。通过深度生成模型生成危险场景概率分布,作为在测试中逐步调整背景车行为的依据,进而完成危险场景的演化生成。针对发生碰撞事故的危险场景,应用重要度抽样在自然驾驶分布与危险场景分布中进行测度变换,实现事故率的加速估计和无偏估计。
汇报时刻
田野副教授和张赫还与多位学术和行业专家进行了交流,就自动驾驶车辆验证中的场景构建方法和稀有事件仿真展开讨论,并从会议内容中获得了诸多启发,包括自动驾驶技术领域的最新进展、自动驾驶系统的安全性、验证方法以及未来的发展方向。特别是在派生数据、自动驾驶大模型开发以及验证技术等方面的最新研究成果,为课题组的工作提供了新的思路和启发。
未来,课题组期待将这些启发应用到研究中,继续为推动自动驾驶技术的安全性和可靠性发展贡献力量。