【導讀】中科大等發布最新《自動駕駛系統ADS測試綜述》論文，51頁pdf256篇文獻全面闡述ADS現狀與趨勢，對現有的ADS測試文獻進行了全面的調研，同時考慮了模塊級和系統級的測試。
近年來，在學術界和產業界的共同努力下，自動駕駛系統取得了巨大的成就。典型的ADS由感知、感知、規劃、控制等多個模塊組成，匯集了多個領域的最新進展。盡管取得了這些成就，系統的安全保障仍然具有重要意義，因為ADS的不安全行為會帶來災難性的后果和不可接受的經濟和社會損失。在實際部署中，測試是系統驗證的重要手段;在ADS環境下，由于系統的復雜性和多學科性，這是極具挑戰性的。已經有大量的文獻關注ADS的測試，也出現了一些綜述來總結技術進步。然而，這些綜述大多集中于在軟件模擬器中執行的系統級測試，因此忽略了單個模塊的不同特性。在本文中，我們對現有的ADS測試文獻進行了全面的調研，同時考慮了模塊級和系統級的測試。具體而言，我們的貢獻如下: (1) 我們建立了一個威脅模型，揭示了ADS每個模塊的潛在安全威脅; (2) 我們調研了ADS的模塊級測試技術，并強調了受模塊屬性影響的技術差異;(3)我們也對系統級測試技術進行了綜述，但主要集中在對系統、模塊間協作所帶來的問題以及模擬器與現實世界之間的差距進行了實證研究;(4)我們發現了ADS測試的挑戰和機遇，為該領域的未來研究提供了便利。
//www.zhuanzhi.ai/paper/408fd54966546d7541362eaf8b2a0cb0
自動駕駛系統(ADS)以帶來便捷的駕駛體驗、提高駕駛安全性和緩解交通擁堵為目標，引起了學術界和業界的高度關注。據《[1]》的統計，2021年自動駕駛汽車市場的規模為220億美元。然而，由于復雜的外部環境或來自各種來源的蓄意攻擊，實踐水平最高的ADS仍然容易受到許多安全和安全威脅。這些威脅可能導致系統故障，從而帶來災難性的后果和不可接受的損失。盡管目前已經取得了快速的進展，但ADS的安全保障仍然是其全面工業化的主要挑戰。最近的一些新聞，比如特斯拉致命事故[2]的報道，進一步凸顯了自動駕駛安全保障研究的重要性。
一般情況下，ADS由感知、感知、規劃和控制等功能模塊組成。傳感模塊利用相機、雷達、激光雷達等多個智能傳感器對環境數據進行采集和預處理。感知模塊從傳感器中提取信息，以了解環境狀況，如道路、障礙物、交通標志等。規劃模塊根據感知模塊的輸出，生成ADS期望遵循的最優行駛軌跡。最后，控制模塊發送橫向和縱向控制信號，驅動ADS沿規劃軌跡運動。特別是一些ADS采用了一種特殊的端到端設計，將感知、規劃和控制功能集成在一個模塊中。這些模塊相互協作，共同決定ADS的行為;任何一個模塊的功能異常都可能導致系統故障，嚴重威脅ADS的安全。
測試已被證明是揭示潛在問題和確保系統安全的有效方法。由于ADS的復雜性和多學科性，ADS的測試具有極大的挑戰性。近年來，針對ADS測試的研究激增。這些發表的論文跨越了不同領域的主流場所，如交通會議(如ITSC, IV)，軟件工程會議(如ICSE, ASE, ISSTA)，人工智能會議(如CVPR, AAAI)，安全會議(如CCS, USENIX security)等，從不同的角度解決ADS測試的挑戰(見§8.1的詳細統計和分析)。針對不同的問題提出了許多測試方法，報告了大量的bug和漏洞，以促進系統再造，修復現有的問題，確保系統安全。
為了更好地理解ADS測試中的景觀，已經有一些綜述[3-5]總結了該領域的最新進展。在[3]中，Zhang等人對可能導致安全風險的情況識別技術進行了文獻綜述，將其定義為關鍵場景識別(Critical scenes Identification, CSI)方法，并指出了結合不同CSI方法對ADS安全保證的必要性。在[4]中，Zhong等人對高保真仿真中基于場景的測試工作進行了綜述，并討論了虛擬環境與現實世界的差距。在[5]中，Jahangirova等人提出了一套驅動ADS測試的質量指標和預言，并證明了將26個最佳指標組合為功能預測的有效性。
現有的綜述大多將系統作為一個整體，從系統的角度研究ADS測試的方法。在這種情況下，作為典型的問題設置，ADS測試包括生成導致系統故障的關鍵場景，如與障礙的碰撞;此外，由于在現實世界中測試ADS的成本較高，這些綜述中的研究大多采用軟件模擬器作為測試環境。雖然這些調研是有用的，但它們不足以顯示ADS測試的全面情況。事實上，由于ADS是復雜的，并且由多個在技術設計上彼此不同的模塊組成，它們的測試應該捕捉不同模塊的特性，并解決不同領域的挑戰。此外，在系統級別上，測試應該關注由于不同模塊之間的協作而產生的問題，并突出基于模擬的測試和真實測試之間的差距。
自動駕駛系統架構
為了彌補這一差距，我們對ADS測試進行了調研，重點是模塊級測試和系統級測試。具體而言，在模塊層面，我們揭示了不同模塊的測試技術因其不同的特性而存在的差異;在系統層面，我們重點討論了不同模塊之間的企業所帶來的挑戰，并討論了測試環境的不同現實級別。綜上所述，本文的主要貢獻如下:
-
我們在文獻的基礎上建立了通用ADS的威脅模型，揭示了ADS每個模塊的潛在安全和安全威脅;
-
我們調研了ADS不同模塊的測試技術，特別強調了這些測試技術的技術差異，這些測試技術受不同模塊特性的影響;
-
我們也調研了系統級的測試技術，但我們的重點是:i)在不運行系統的情況下展示系統的全面視圖的實證研究;2)多個模塊共同工作導致的系統級問題;Iii)基于模擬器的測試與真實測試之間的差距;
-
基于我們的調研，我們確定了ADS測試的挑戰和潛在的研究機會，這有助于該領域未來的調研，以加強系統的安全性和可靠性。
據我們所知，我們的工作是第一個揭示了ADS測試與不同模塊之間的內在差異和挑戰;同時，我們特別強調了當前流行的基于模擬的測試和真實世界的測試之間的比較。此外，我們對挑戰和機遇的分析和討論展示了景觀，并激發了這一重要領域的未來研究。
付費5元查看完整內容
相關內容
預計量子計算機將能夠解決各種問題，而這些問題是目前最強大的超級計算機所無法解決的，這些超級計算機是基于經典技術的。在過去的三十年里，量子計算的進展激發了工業界、投資者、媒體、管理人員和公眾對這一領域的極大興趣。然而，對這項技術的理解，它目前的能力和它在這些社區的潛在影響仍然缺乏。彌補這一差距需要對如何評估量子計算設備的性能和估計其潛力有一個完整的了解，而量子計算模型和物理平臺的多樣性使這一任務更加困難。在這里，我們回顧了量子計算的技術現狀，有前途的計算模型和最發達的物理平臺。我們還討論了潛在的應用，這些應用提出的要求和解決這些要求的技術途徑。最后，我們總結和分析了量子計算市場將進一步指數式增長的論據。這篇綜述用簡單的語言寫成，沒有方程式，沒有高級數學和物理學背景的讀者也應該能看懂。
付費5元查看完整內容
在過去十年中，自動駕駛在研發方面取得了重大的里程碑。人們有興趣在道路上部署自行操作車輛，這預示著交通系統將更加安全和生態友好。隨著計算能力強大的人工智能（AI）技術的興起，自動駕駛車輛可以高精度地感知環境，做出安全的實時決策，在沒有人為干預的情況下運行更加可靠。
然而，在目前的技術水平下，自動駕駛汽車中的智能決策通常不為人類所理解，這種缺陷阻礙了這項技術被社會接受。因此，除了做出安全的實時決策外，自動駕駛汽車的AI系統還需要解釋這些決策是如何構建的，以便在多個政府管轄區內符合監管要求。
該研究為開發自動駕駛車輛的可解釋人工智能（XAI）方法提供了全面的信息。首先，全面概述了目前最先進的自動駕駛汽車行業在可解釋方面存在的差距。然后，展示該領域中可解釋和可解釋受眾的分類。第三，提出了一個端到端自動駕駛系統體系結構的框架，并論證了XAI在調試和調控此類系統中的作用。最后，作為未來的研究方向，提供自主駕駛XAI方法的實地指南，提高操作安全性和透明度，公開獲得監管機構、制造商和所有密切參與者的批準。
付費5元查看完整內容
論文標題：//www.zhuanzhi.ai/paper/73cf9736c65be0102766f210e8693513
論文鏈接：
作者單位：中國人民大學
26頁綜述，共計99篇參考文獻！本文對基于圖像(單目/立體)、點云、多模態融合的3D目標檢測技術進行全面調研，內容包括傳感器、基礎知識和最經典和最先進的檢測方法及其優缺點。
自動駕駛被認為是保護人類免受嚴重碰撞的最有希望的補救措施之一。為此，3D目標檢測作為此類感知系統的核心基礎，尤其是在路徑規劃、運動預測、碰撞避免等方面。通常，立體或單目圖像與相應的3D點云已經是3D物體的標準布局檢測，其中點云越來越普遍，提供準確的深度信息。盡管已有努力，但點云上的3D目標檢測仍處于起步階段，因為點云本質上的高度稀疏性和不規則性，相機視圖和 LiDAR 鳥瞰視圖之間的錯位視圖，用于模態協同，遠距離的遮擋和尺度變化，最近，3D對象檢測取得了重大進展，正在研究大量文獻以解決這一視覺任務。因此，我們全面回顧了該領域的最新進展，涵蓋了所有主要主題，包括傳感器、基礎知識和最近最先進的檢測方法及其優缺點。此外，我們引入了指標并提供了對流行公共數據集的定量比較。在對所調查的工作進行深入分析后，將明智地確定未來工作的途徑。最后，我們總結了這篇論文。
付費5元查看完整內容
隨著人工智能技術的深入發展，自動駕駛已經成為人工智能技術的典型應用，近十年得到了長足的發展，作為一類非確定性系統，自動駕駛車輛的質量和安全性得到越來越多的關注.對自動駕駛系統，特別是自動駕駛智能系統（如感知模塊，決策模塊，綜合功能及整車）的測試技術得到了業界和學界的深入研究.本文調研了56篇相關領域的學術論文，分別就感知模塊、決策模塊、綜合功能模塊及整車系統的測試技術、用例生成方法和測試覆蓋度量等維度對目前已有的研究成果進行了梳理，并描述了自動駕駛智能系統測試中的數據集及工具集.最后，對自動駕駛智能系統測試的未來工作進行了展望，為該領域的研究人員提供參考.
//www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6266&flag=1
付費5元查看完整內容
【簡介】隨著深度表示學習的發展，強化學習（RL）已經成為了一個強大的學習框架，其可以在高維度空間中學習復雜的規則。這篇綜述總結了深度強化學習（DRL）算法，提供了采用強化學習的自動駕駛任務的分類方法，重點介紹了算法上的關鍵挑戰和在現實世界中將強化學習部署在自動駕駛方面的作用，以及最終評估，測試和加強強化學習和模仿學習健壯性的現有解決方案。
論文鏈接： //arxiv.org/abs/2002.00444
介紹：
自動駕駛(AD)系統由多個感知級任務組成，由于采用了深度學習架構，這些任務現在已經達到了很高的精度。除了感知任務之外，自主駕駛系統還包含多個其他任務，傳統的監督學習方法已經不再適用。首先，當對agent行為的預測發生變化時，從自動駕駛agent所處的環境中接收到的未來傳感器觀察到的結果，例如獲取市區最佳駕駛速度的任務。其次，監督信號（如碰撞時間（TTC），相對于agent最佳軌跡的側向誤差）表示agent的動態變化以及環境中的不確定性。這些問題都需要定義隨機損失函數來使其最大化。最后，agent需要學習當前環境新的配置參數，預測其所處的環境中每一時刻的最優決策。這表明在觀察agent和其所處環境的情況下，一個高維度的空間能夠給出大量唯一的配置參數。在這些場景中，我們的目標是解決一個連續決策的問題。在這篇綜述中，我們將介紹強化學習的概念，強化學習是一種很有前景的解決方案和任務分類方法，特別是在驅動策略、預測感知、路徑規劃以及低層控制器設計等領域。我們還重點回顧了強化學習在自動駕駛領域當中各種現實的應用。最后，我們通過闡述應用當前諸如模仿學習和Q學習等強化學習算法時所面臨的算力挑戰和風險來激勵使用者對強化學習作出改進。
章節目錄：
section2: 介紹一個典型的自動駕駛系統及其各個組件。
section3: 對深度強化學習進行介紹，并簡要討論關鍵概念。
section4: 探討在強化學習基本框架上對其進行更深層次，更加復雜的擴展。
section5: 對強化學習用于自動駕駛領域的所面臨的問題提供一個概述。
section6: 介紹將強化學習部署到真實世界自動駕駛系統中所面臨的挑戰。
section7: 總結
付費5元查看完整內容
【導讀】隨著近幾年來AI技術的飛速發展，人們將計算機視覺技術應用于自動駕駛，使得自動駕駛的應用變得可行，很大程度地推進了自動駕駛技術的發展。本文介紹一篇關于自動駕駛計算機視覺的全面綜述，覆蓋了該領域相關的問題、數據集和最先進的技術。
近幾年來，我們目睹了AI相關領域取得的巨大的進步，如計算機視覺、機器學習、自動駕駛等。隨著這些領域的飛速發展，初學者很難了解領域最新的進展。在自動駕駛計算機視覺領域，盡管出現了一些關于特定子問題的綜述，但尚未發布關于問題、數據集和方法的全面和綜合的綜述。
綜述《Computer Vision for Autonomous Vehicles: Problems, Datasets and State of the Art》試圖通過提供對目前最先進的相關技術和數據集的調研來縮小人們對該領域的認知鴻溝。綜述既包括了已有的最相關的文獻，也包含了一些特殊主題目前最先進的成果，如識別、重建、運動估計、跟蹤、場景理解和自動駕駛端到端學習。綜述還包含了對最先進技術在KITTI、MOT和Cityscapes等幾個具有挑戰性的基準數據集上的性能的分析。
另外，該綜述還討論了一些開放問題和目前的研究挑戰。綜述還提供了一個網站，方便人們訪問相關的主題，以及提供額外的信息。
綜述首先提供了自動駕駛的簡要歷史，然后介紹了相機模型和校準技術。接著，綜述介紹了與自動駕駛相關的數據集（重點關注與感知相關的數據集）、相關的感知任務和最新的解決方法。尤其是，綜述回顧了目標檢測、目標跟蹤、語義（實體）分割、重建、運動估計和場景理解。每個章節包含了問題定義、重要方法和主要設計選擇、頂尖技術在流行數據集上的定性和定量分析以及關于領域最先進技術的討論。最終，綜述提供了關于最先進端到端自動駕駛模型的概覽。
綜述的目錄大致如下：
- 簡介
- 自動駕駛的歷史
- 感知器
- 數據集和基準
- 目標檢測
- 目標跟蹤
- 語義分割
- 語義實體分割
- 立體
- 多視角3D重建
- 光流
- 3D場景流
- 地圖、定位和Ego-Motion估計
- 場景理解
- 自動駕駛的端到端學習
- 總結
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191