2024年12月25日星期三下午，TOPS第155期组会于通达馆A102线下举行。本次组会由23级硕士叶轶淳带来自己的研究进展汇报，与大家交流讨论《流向罕见事件：面向自动驾驶安全验证的场景-行为联合加速方法》的相关内容，课题组全体老师同学出席了本次组会。

汇报时刻

汇报内容主要从研究背景、自然驾驶场景与分布、场景-行为联合加速方法和实验结果分析四个部分进行展开。

在研究背景部分，叶轶淳同学指出，要推广自动驾驶技术，必须严格测试验证其安全性。目前自动驾驶安全验证的最大挑战在于“百亿公里难题”：即需要通过长时间、海量里程的驾驶数据验证其事故率，耗时成本极高。现有验证方法主要基于仿真测试和道路测试，但面对真实道路中罕见事件的低概率和复杂性，这些方法在效率和精度上都存在较大不足。为了解决这一问题，研究提出了基于罕见事件的“场景-行为联合加速方法”，通过模拟高风险场景和危险驾驶行为，能够显著加速自动驾驶算法的安全验证过程。

研究内容

在自然驾驶场景与分布的研究中，叶轶淳同学深入浅出地介绍了从大量自然驾驶数据中提取和建模驾驶场景的技术方法。报告中提到，自然驾驶场景具有复杂的高维特性，因此需要采用时序分解、条件概率分解和多车独立决策分解等技术手段对场景进行分布建模。这些方法通过将复杂的驾驶场景分解为可控的模块化单元，实现了对自然驾驶数据的高效分析和场景生成。同时，研究还通过分布学习技术对采样机制进行了优化，使得危险场景的生成更加快速和准确。

研究内容

在场景-行为联合加速方法部分，叶轶淳同学进一步阐述了研究的核心方法。该方法以重要度抽样为基础，通过对高维场景分布进行加权优化，使罕见事件的生成概率大幅提升。研究还结合标准化流模型，实现了场景分布的高效建模与采样。此外，该方法将驾驶行为与场景联合建模，通过模拟如突然并线、超速等高风险驾驶行为，与生成的危险场景相结合，进一步优化了事故率估计的效率。该框架设计解决了场景和行为分布建模中的高维复杂性问题，为加速验证过程提供了强有力的技术支持。

研究内容

在实验结果分析部分，研究通过多个经典驾驶场景的实验验证了方法的有效性。例如，在“跟车场景”和“他车切入场景”中，场景-行为联合加速方法显著减少了测试样本数量，分别降低了99.1%和94.0%的样本量，并实现了事故率估计效率1到2个数量级的提升。同时，研究通过重要度加权修正，确保了采样结果在统计上的无偏性。实验还展示了方法在不同场景和行为下的泛化能力，证明了其在复杂驾驶环境中的适用性，为自动驾驶安全验证开辟了新的可能性。

研究内容

最后，叶轶淳同学总结了研究成果，提出场景-行为联合加速方法在加速罕见事件验证中具有显著效果，并通过实验验证了方法的有效性和可靠性。本研究不仅在理论上突破了复杂场景建模和行为优化的难题，还为自动驾驶安全验证提供了高效的解决方案。然而，研究仍存在驾驶行为复杂性建模和真实道路数据验证不足的问题。未来的研究将着力优化场景生成算法、提升验证效率，并探索多场景联合仿真平台的开发以及真实测试的部署，为自动驾驶技术的推广提供有力支持。

研究内容

在讨论环节，课题组的各位老师和同学围绕研究方法和实验设计进行了充分的讨论，提出了深入的建议与问题，为研究的进一步完善提供了重要启发。梁浩阳老师关注重要度抽样方法的加权过程，建议进一步说明加权后指标的无偏性。秦国阳老师提出，被测物的安全性问题是否会对实验结果产生影响，建议优化实验框架，以保证测试的安全性。孙杰老师从加速测试和场景生成的关系入手，建议进一步阐明标准化流模型与扩散模型之间的区别，并提出在更高维场景下是否需要明确显式的概率密度。同时还提出自动驾驶测试是否必须追求严格的无偏性，或者是否可以通过合理的偏置策略提升测试效率。倪颖老师则提出场景生成的方差与场景查重的关系，并建议探讨如何降低场景生成的方差，以提高测试的覆盖率与效率。杭鹏老师则从研究的应用角度出发，指出当前研究的场景相对简单，并建议进一步验证方法在复杂场景（如真实城市道路场景）下的适用性。他还提出该方法是否能够为onsite场景测试工具中心的加速测试赋能，是否可以达到显著的加速效果等问题。