DE102023001366A1 - Method for checking a perception module of a driver assistance system - Google Patents

Method for checking a perception module of a driver assistance system Download PDF

Info

Publication number
DE102023001366A1
DE102023001366A1 DE102023001366.8A DE102023001366A DE102023001366A1 DE 102023001366 A1 DE102023001366 A1 DE 102023001366A1 DE 102023001366 A DE102023001366 A DE 102023001366A DE 102023001366 A1 DE102023001366 A1 DE 102023001366A1
Authority
DE
Germany
Prior art keywords
perception
errors
driver assistance
assistance system
perception module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
DE102023001366.8A
Other languages
German (de)
Inventor
Niklas Hanselmann
Simon Doll
Nick Schneider
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mercedes Benz Group AG
Original Assignee
Mercedes Benz Group AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mercedes Benz Group AG filed Critical Mercedes Benz Group AG
Priority to DE102023001366.8A priority Critical patent/DE102023001366A1/en
Publication of DE102023001366A1 publication Critical patent/DE102023001366A1/en
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

Die Erfindung betrifft ein Verfahren zur Überprüfung eines Perzeptionsmoduls eines Fahrerassistenzsystems eines Fahrzeugs. Erfindungsgemäß werden mittels eines trainierten generativen Modells (2) Fehler des Perzeptionsmoduls imitiert, wobei reale erfasste Szenarien werden mit unterschiedlichen, realistischen Perzeptionsfehlern nachgebildet, die mittels des generativen Modells (2) erzeugt werden. Die Perzeptionsfehler werden derart angepasst, dass sie treibende Kosten für das zu testende Perzeptionsmodul durch eine iterative Closed-Loop-Resimulation und eine Adversarial-Optimierung abgetasteter Perzeptionsfehler maximieren, so dass eine maximale Anzahl von Optimierungsschritten erreicht oder ein Ausfall des Fahrerassistenzsystems erzeugt wird. In Abhängigkeit des Ausfalls wird eine Robustheit des Fahrerassistenzsystems gegenüber Fehlern in dem Perzeptionsmodul ermittelt.The invention relates to a method for checking a perception module of a driver assistance system of a vehicle. According to the invention, a trained generative model (2) is used to imitate errors in the perception module, with real, recorded scenarios being simulated using different, realistic perception errors that are generated using the generative model (2). The perception errors are adjusted in such a way that they maximize the driving costs for the perception module to be tested through an iterative closed-loop resimulation and an adversarial optimization of sampled perception errors, so that a maximum number of optimization steps is achieved or a failure of the driver assistance system is generated. A robustness of the driver assistance system with respect to errors in the perception module is determined as a function of the failure.

Description

Die Erfindung betrifft ein Verfahren zur Überprüfung eines Perzeptionsmoduls eines Fahrerassistenzsystems eines Fahrzeugs.The invention relates to a method for checking a perception module of a driver assistance system of a vehicle.

Aus der WO 2019 234 726 A1 ist ein computergestütztes Verfahren zum Durchführen einer Sicherheits- und Funktionsüberprüfung von Algorithmen zur Steuerung von autonomen Fahrzeugen bekannt. Das Verfahren umfasst ein iteratives Durchführen einer Anpassung, wobei die Anpassung umfasst:

  • - Aktualisieren eines Werts von Parametern, welche ein Rauschen und Verzögerungen in simulierten Sensoren anzeigen, die einem computergestützten Simulationsnetzwerk zugeordnet sind, das zu einem simulierten autonomen Fahrzeug oder einer Betriebsumgebung gehört, durch Erhöhen des Rauschens und der Verzögerung; und
  • - Aktualisieren eines Werts von Parametern, welche ein Rauschen und eine Verzögerung in einer Antwort des simulierten autonomen Fahrzeugs auf Befehle anzeigen, durch Erhöhen des Rauschens und der Verzögerung.
Dies wird durchgeführt, bis von dem Simulationsnetzwerk ein höher gewichtetes computergestütztes Simulationsnetzwerk erhalten wird. Das höher gewichtete computergestützte Simulationsnetzwerk erfüllt ein Kriterium, das für eine statistische Sicherheitsüberprüfung und eine statistische Funktionsleistungsüberprüfung der Algorithmen verwendet wird.From the WO 2019 234 726 A1 a computer-aided method for carrying out a safety and functional check of algorithms for controlling autonomous vehicles is known. The method includes iteratively performing an adjustment, the adjustment including:
  • - updating a value of parameters indicative of noise and delays in simulated sensors associated with a computerized simulation network associated with a simulated autonomous vehicle or operating environment by increasing the noise and delay; and
  • - updating a value of parameters indicative of noise and delay in a response of the simulated autonomous vehicle to commands by increasing the noise and delay.
This is done until a higher weighted computer based simulation network is obtained from the simulation network. The higher-weighted computer-aided simulation network meets a criterion used for statistical safety verification and statistical functional performance verification of the algorithms.

Weiterhin sind aus „Wang, J. et al.: AdvSim - Generating Safety-Critical Scenarios for Self-Driving Vehicles; In: arXiv:2101.06549v3 [cs.RO] 8 Jan 2022“ und „Hanselmann, N. et al.: KING - Generating Safety-Critical Driving Scenarios for Robust Imitation via Kinematics Gradients; In: arXiv:2204.13683v1 [cs.RO] 28 Apr 2022“ Simulationsmethoden bekannt, welche bei einer gegebenen initialen nominalen, also gewöhnlichen, nicht sicherheits-kritischen Fahrsituation eine sicherheitskritische Variation dieser erzeugen und simulieren können. Dabei ist die Generierung als Optimierungsproblem formuliert, in dem initiale Szenarien so abgeändert werden, dass ein zu testendes Pfadplanungsmodell diese nicht mehr korrekt löst und so in eine Kollision verwickelt wird. Einen Suchraum bilden hierbei Lenkwinkel und Beschleunigungen anderer Verkehrsteilnehmer pro Zeitschritt, die zusammen mit einem Kinematikmodell ihre Trajektorien beschreiben. Dabei lassen sich konzeptuelle Schwachstellen im Planungsmodell automatisiert auffinden und es können Trainingsdaten generiert werden, die sich in der realen Welt nur sehr schwer erheben lassen. Um einem durch direktes Abändern von Trajektorien anderer Verkehrsteilnehmer, also eines Ground-Truth-Simulationszustands, hervorgerufenen Auftreten von unrealistischen Lösungen entgegenzuwirken, werden ein Kinematikmodell und regularisierende Kostenterme genutzt. Auch kann hierzu ein Beschränken auf wahrscheinliche Samples aus einem generativen Modell von Verkehrsszenarien genutzt werden, wie es beispielsweise in „Rempe, D. et al.: Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior; In: arXiv:2112.05077v2 [cs.CV] 28 Mar 2022“ beschrieben ist.Furthermore, from "Wang, J. et al.: AdvSim - Generating Safety-Critical Scenarios for Self-Driving Vehicles; In: arXiv:2101.06549v3 [cs.RO] 8 Jan 2022” and “Hanselmann, N. et al.: KING - Generating Safety-Critical Driving Scenarios for Robust Imitation via Kinematics Gradients; In: arXiv:2204.13683v1 [cs.RO] 28 Apr 2022" simulation methods are known, which can generate and simulate a safety-critical variation of a given initial nominal, i.e. ordinary, non-safety-critical driving situation. The generation is formulated as an optimization problem in which initial scenarios are modified in such a way that a path planning model to be tested no longer solves them correctly and is thus involved in a collision. A search space is formed by steering angles and accelerations of other road users per time step, which together with a kinematic model describe their trajectories. Conceptual weaknesses in the planning model can be found automatically and training data can be generated that is very difficult to collect in the real world. In order to counteract the occurrence of unrealistic solutions caused by direct modification of the trajectories of other road users, i.e. a ground truth simulation state, a kinematic model and regularizing cost terms are used. A restriction to probable samples from a generative model of traffic scenarios can also be used for this purpose, as is the case, for example, in “Rempe, D. et al.: Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior; In: arXiv:2112.05077v2 [cs.CV] 28 Mar 2022”.

Der Erfindung liegt die Aufgabe zu Grunde, ein neuartiges Verfahren zur Überprüfung eines Perzeptionsmoduls eines Fahrerassistenzsystems eines Fahrzeugs anzugeben.The invention is based on the object of specifying a novel method for checking a perception module of a driver assistance system of a vehicle.

Die Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren, welches die im Anspruch 1 angegebenen Merkmale aufweist.The object is achieved according to the invention by a method which has the features specified in claim 1.

Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous configurations of the invention are the subject matter of the dependent claims.

In dem Verfahren zur Überprüfung eines Perzeptionsmoduls eines Fahrerassistenzsystems eines Fahrzeugs werden erfindungsgemäß mittels eines trainierten generative Modells, beispielsweise eines Conditional Generative Modells, Fehler des Perzeptionsmoduls imitiert, wobei reale erfasste Szenarien mit unterschiedlichen, realistischen Perzeptionsfehlern nachgebildet werden, die mittels des generativen Modells erzeugt werden. Die Perzeptionsfehler werden derart angepasst, dass sie treibende Kosten für das zu testende Perzeptionsmodul durch eine iterative Closed-Loop-Resimulation und eine Adversarial-Optimierung abgetasteter Perzeptionsfehler maximieren, so dass eine maximale Anzahl von Optimierungsschritten erreicht oder ein Ausfall des Fahrerassistenzsystems erzeugt wird. In Abhängigkeit des Ausfalls wird eine Robustheit des Fahrerassistenzsystems gegenüber Fehlern in dem Perzeptionsmodul ermittelt.In the method for checking a perception module of a driver assistance system of a vehicle, according to the invention, errors in the perception module are imitated by means of a trained generative model, for example a conditional generative model, with real, recorded scenarios being simulated with different, realistic perception errors that are generated using the generative model. The perception errors are adjusted in such a way that they maximize the driving costs for the perception module to be tested through an iterative closed-loop resimulation and an adversarial optimization of sampled perception errors, so that a maximum number of optimization steps is achieved or a failure of the driver assistance system is generated. A robustness of the driver assistance system with respect to errors in the perception module is determined as a function of the failure.

Das Verfahren ermöglicht Belastungstests und eine Verbesserung der Robustheit eines Fahrerassistenzsystems gegenüber Fehlern in seinem Perzeptionsmodul durch Erzeugen von realistischen Worst-Case-Sequenzen von Perzeptionsfehlern in einem gegebenen Szenario. Unter Fahrerassistenzsystemen werden vorliegend Systeme zur Ausführung teilautomatisierter und/oder hochautomatisierter bzw. autonomer Fahrfunktionen, auch als ADAS/AD-Systeme oder ADAS/AD-Stapel bezeichnet, verstanden.The method enables stress tests and an improvement in the robustness of a driver assistance system to errors in its perception module by generating realistic worst-case sequences of perception errors in a given scenario. In the present case, driver assistance systems are understood to mean systems for executing partially automated and/or highly automated or autonomous driving functions, also referred to as ADAS/AD systems or ADAS/AD stacks.

Aus dem Stand der Technik bekannte Lösungen modifizieren einen zugrundeliegenden Zustand, d. h. Trajektorien anderer Verkehrsteilnehmer, direkt während der Adversarial-Optimierung. Dies lässt sich jedoch nur schwer auf realistische Lösungen beschränken. Insbesondere wird eine Diversität und damit eine Abdeckung gefundener Szenarien reduziert, so dass Trainingsdaten eines generativen Modells in der Regel keine sicherheitskritischen Situationen enthalten und diesen somit eine geringe Wahrscheinlichkeit zugeordnet wird. In der Folge müsste eine Beschränkung durch das generative Modell in der Praxis also aufgeweicht werden um das Generieren von sicherheitskritischen Situationen zuzulassen. Es ergibt sich also durch das direkte ändern des Simulationszustands ein schlecht gestelltes Problem, das erheblichen Aufwand im Design effektiver Regularisierungen erfordert. Mittels des vorliegenden Verfahrens wird dagegen keine direkte Änderung eines Simulationszustands durchgeführt, sondern eine fehlerbehaftete Wahrnehmung des Simulationszustands durch das Fahrerassistenzsystem, das heißt durch das automatisiert betriebene Fahrzeug, simuliert und geändert. Dabei wird das generative Modell zur Erzeugung der Perzeptionsfehler verwendet, welches darauf trainiert ist, ein beliebiges gegebenes Perzeptionsmodul zu imitieren. Somit kann die Robustheit des Fahrerassistenzsystems und/oder eines dem Perzeptionsmodul nachgeschalteten Moduls gegenüber wahrscheinlichen Fehlern des Perzeptionsmoduls untersucht und ermittelt werden. Dabei kann ein Suchraum realisiert werden, welcher weniger anfällig für unrealistische Lösungen ist und eine spezielle Untersuchung der Robustheit bezüglich Perzeptionsfehler ermöglicht.Solutions known from the prior art modify an underlying state, ie trajectories of other road users, directly during the adversarial optimization. This leaves difficult to confine to realistic solutions. In particular, a diversity and thus a coverage of found scenarios is reduced, so that training data of a generative model generally do not contain any safety-critical situations and a low probability is therefore assigned to them. As a result, a restriction imposed by the generative model would have to be relaxed in practice in order to allow the generation of safety-critical situations. Changing the simulation state directly results in an ill-posed problem that requires considerable effort in the design of effective regularizations. By contrast, no direct change in a simulation state is carried out by means of the present method, but an erroneous perception of the simulation state by the driver assistance system, ie by the automated vehicle, is simulated and changed. The generative model is used to generate the perception errors, which is trained to imitate any given perception module. The robustness of the driver assistance system and/or of a module connected downstream of the perception module can thus be examined and determined with regard to probable errors in the perception module. A search space can be realized that is less susceptible to unrealistic solutions and allows a special investigation of the robustness with regard to perception errors.

Ausführungsbeispiele der Erfindung werden im Folgenden anhand einer Zeichnung näher erläutert.Exemplary embodiments of the invention are explained in more detail below with reference to a drawing.

Dabei zeigt:

  • 1 schematisch ein Blockschaltbild eines Systems zur Überprüfung eines Perzeptionsmoduls eines Fahrerassistenzsystems eines Fahrzeugs.
It shows:
  • 1 schematically shows a block diagram of a system for checking a perception module of a driver assistance system of a vehicle.

In der einzigen 1 ist ein Blockschaltbild eines möglichen Ausführungsbeispiels eines Systems 1 zur Überprüfung eines Perzeptionsmoduls eines Fahrerassistenzsystems eines Fahrzeugs dargestellt. Das Fahrzeug ist für einen automatisierten, insbesondere hochautomatisierten oder autonomen Fahrbetrieb ausgebildet.In the only 1 a block diagram of a possible exemplary embodiment of a system 1 for checking a perception module of a driver assistance system of a vehicle is shown. The vehicle is designed for automated, in particular highly automated or autonomous driving.

Das System umfasst ein generatives Modell 2, ein Planungsmodul 3 und ein kinematisches Modell 4.The system includes a generative model 2, a planning module 3 and a kinematic model 4.

In einem normalen Betrieb des Fahrerassistenzsystems wird in einer Umgebungserfassung mittels des Fahrzeugs einer wahrer Zustand st der Welt durch unvollständige Beobachtungen dieser erfasst. Diese Beobachtungen werden durch ein Perzeptionsmodul interpretiert, um eine fehlerbehaftete Schätzung ŝt relevanter Zustandsgrößen zu erhalten, auf Basis derer das Planungsmodul Fahraktionen at ausführt. Das Perzeptionsmodul umfasst beispielsweise ein dreidimensionales Detektionsmodell.In normal operation of the driver assistance system, a true state s t of the world is detected by incomplete observations of the environment in an environment detection using the vehicle. These observations are interpreted by a perception module in order to obtain an erroneous estimate ŝ t of relevant state variables, on the basis of which the planning module carries out driving actions a t . The perception module includes a three-dimensional detection model, for example.

Um eine Überprüfung einer Robustheit des Fahrerassistenzsystems gegenüber Fehlern in dem Perzeptionsmodul zu realisieren, ist vorgesehen, das generative Modell 2, beispielsweise ein Conditional Generative Modell, als Proxymodell zu lernen, das bei gegebenem wahren Zustand st die Fehler eines echten Perzeptionsmoduls imitieren und somit eine realistische fehlerbehaftete Schätzung ŝt simulieren kann. Auf dieser kann nun eine Abänderung eines nominalen Szenarios in eine sicherheitskritische Variation durch Optimierung simulierter Perzeptionsfehler erfolgen. Hierbei dient ein Latentspace des Proxymodells als Suchraum, der ein Samplen verschiedener plausibler Perzeptionsfehler und eine Beschränkung auf Bereiche hoher Wahrscheinlichkeitsmasse erlaubt.In order to check the robustness of the driver assistance system against errors in the perception module, it is provided that the generative model 2, for example a conditional generative model, be learned as a proxy model, which, given the true state, s t imitate the error of a real perception module and thus a realistic error-prone estimation ŝ t can simulate. On this, a nominal scenario can now be modified into a safety-critical variation by optimizing simulated perception errors. Here, a latent space of the proxy model serves as a search space, which allows sampling of various plausible perception errors and a restriction to areas with a high probability mass.

Anders als in „Rempe, D. et al.: Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior; In: arXiv:2112.05077v2 [cs.CV] 28 Mar 2022“ beschrieben, ist es in diesem Setting möglich, ausreichend Daten aus einer relevanten Verteilung zum Trainieren des generativen Modells zu erheben, da diese aus Paaren an Ground-Truth-Zuständen, beispielsweise so genannter dreidimensionaler Boundingboxen und hochaufgelöster Karten, sowie zugehörigen Outputs des Perzeptionsmoduls gebildet werden. Der Optimierungsprozess erfolgt dabei analog zu bekannten Lösungen, wie beispielsweise aus „Wang, J. et al.: AdvSim - Generating Safety-Critical Scenarios for Self-Driving Vehicles; In: arXiv:2101.06549v3 [cs.RO] 8 Jan 2022“ und „Hanselmann, N. et al.: KING - Generating Safety-Critical Driving Scenarios for Robust Imitation via Kinematics Gradients; In: arXiv:2204.13683v1 [cs.RO] 28 Apr 2022“, allerdings nun auf Basis von simulierten Perzeptionsfehlern anstatt von Trajektorien anderer Verkehrsteilnehmer. Die simulierten Perzeptionsfehler werden in dem generativen Modell 2 auf Regionen mit hoher Wahrscheinlichkeit beschränkt, so dass ein hoher Realitätsgrad realisiert werden kann.Unlike in “Rempe, D. et al.: Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior; In: arXiv:2112.05077v2 [cs.CV] 28 Mar 2022", in this setting it is possible to collect sufficient data from a relevant distribution for training the generative model, since these consist of pairs of ground truth states, e.g so-called three-dimensional bounding boxes and high-resolution maps, as well as the associated outputs of the perception module. The optimization process is analogous to known solutions, such as from "Wang, J. et al.: AdvSim - Generating Safety-Critical Scenarios for Self-Driving Vehicles; In: arXiv:2101.06549v3 [cs.RO] 8 Jan 2022” and “Hanselmann, N. et al.: KING - Generating Safety-Critical Driving Scenarios for Robust Imitation via Kinematics Gradients; In: arXiv:2204.13683v1 [cs.RO] 28 Apr 2022", but now based on simulated perception errors instead of trajectories of other road users. In the generative model 2, the simulated perception errors are restricted to regions with a high degree of probability, so that a high degree of reality can be achieved.

Dabei wird, wie dargestellt, während eines Optimierungsprozesses ein Zustand s0 der Welt zu einem initialen Zeitschritt t=0 k-mal, wobei k eine maximale Anzahl von Optimierungsschritten ist, in einer iterativen Closed-Loop-Resimulation, das heißt einer Regelung, vorwärts simuliert. In jedem Optimierungsschritt wird eine Fahrsicherheit des Fahrzeugs durch eine entsprechende Kostenfunktion gemessen. Die Kostenfunktion kann dabei gemäß einer in „Wang, J. et al.: AdvSim - Generating Safety-Critical Scenarios for Self-Driving Vehicles; In: arXiv:2101.06549v3 [cs.RO] 8 Jan 2022“, „Hanselmann, N. et al.: KING - Generating Safety-Critical Driving Scenarios for Robust Imitation via Kinematics Gradients; In: arXiv:2204.13683v1 [cs.RO] 28 Apr 2022“ oder „Rempe, D. et al.: Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior; In: arXiv:2112.05077v2 [cs.CV] 28 Mar 2022“ beschriebenen und einer Pfadplanung verwendeten Kostenfunktion ausgebildet sein.As shown, during an optimization process, a state s 0 of the world at an initial time step t=0 k times, where k is a maximum number of optimization steps, forwards in an iterative closed-loop resimulation, i.e. control simulated. In each optimization step, driving safety of the vehicle is measured using a corresponding cost function. The cost function can be calculated according to one in "Wang, J. et al.: AdvSim - Generating Safety-Critical Scenarios for Self-Driving Vehicles; In: arXiv:2101.06549v3 [cs.RO] 8 Jan 2022", "Hanselmann, N. et al.: KING - Generating Safety-Critical Driving Scenarios for Robust Imitation via Kinematics Gradients; In: arXiv:2204.13683v1 [cs.RO] 28 Apr 2022” or “Rempe, D. et al.: Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior; In: arXiv:2112.05077v2 [cs.CV] 28 Mar 2022” and used for path planning.

Dann werden die aus dem generativen Modell 2 gesampleten Perzeptionsfehler so angepasst, dass diese Kostenfunktion erhöht wird, also das Szenario schwieriger für das automatisiert fahrende Fahrzeug beherrschbar ist. Im nächsten Schritt wird dann das Szenario mit diesen neuen Fehlern ausgerollt und erneut Fahrkosten berechnet. Dies passiert iterativ, entweder bis die maximale Anzahl an Optimierungsschritten k erreicht ist oder ein Versagen des im automatisiert befindlichen Fahrzeugs bzw. des Fahrerassistenzsystems herbeigeführt wird. Das Versagen kann sich dabei in einer Kollision, einem unsicheren Manöver sowie starken Längs- und/oder Querbeschleunigungen äußern.Then the perception errors sampled from the generative model 2 are adjusted in such a way that this cost function is increased, i.e. the scenario is more difficult for the automated vehicle to control. In the next step, the scenario with these new errors is then rolled out and travel costs are calculated again. This happens iteratively, either until the maximum number of optimization steps k is reached or a failure of the automated vehicle or the driver assistance system is brought about. The failure can manifest itself in a collision, an unsafe maneuver and strong longitudinal and/or lateral acceleration.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

  • WO 2019234726 A1 [0002]WO 2019234726 A1 [0002]

Claims (3)

Verfahren zur Überprüfung eines Perzeptionsmoduls eines Fahrerassistenzsystems eines Fahrzeugs, dadurch gekennzeichnet, dass - mittels eines trainierten generativen Modells (2) Fehler des Perzeptionsmoduls imitiert werden, - reale erfasste Szenarien werden mit unterschiedlichen, realistischen Perzeptionsfehlern nachgebildet, die mittels des generativen Modells (2) erzeugt werden, - die Perzeptionsfehler derart angepasst werden, dass sie treibende Kosten für das zu testende Perzeptionsmodul durch eine iterative Closed-Loop-Resimulation und eine Adversarial-Optimierung abgetasteter Perzeptionsfehler maximieren, so dass eine maximale Anzahl von Optimierungsschritten erreicht oder ein Ausfall des Fahrerassistenzsystems erzeugt wird, und - in Abhängigkeit des Ausfalls eine Robustheit des Fahrerassistenzsystems gegenüber Fehlern in dem Perzeptionsmodul ermittelt wird.Method for checking a perception module of a driver assistance system of a vehicle, characterized in that - errors in the perception module are imitated using a trained generative model (2), - real, recorded scenarios are simulated with different, realistic perception errors, which are generated using the generative model (2). - the perception errors are adjusted in such a way that they maximize the driving costs for the perception module to be tested by means of an iterative closed-loop resimulation and an adversarial optimization of sampled perception errors, so that a maximum number of optimization steps is achieved or a failure of the driver assistance system is generated , and - a robustness of the driver assistance system with respect to errors in the perception module is determined as a function of the failure. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die abgetasteten Perzeptionsfehler in dem generativen Modell (2) auf Regionen mit hoher Wahrscheinlichkeit beschränkt wird.procedure after claim 1 , characterized in that the sampled perception errors in the generative model (2) are restricted to regions with a high probability. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das generative Modell (2) als Proxymodell gelernt und trainiert wird.procedure after claim 1 or 2 , characterized in that the generative model (2) is learned and trained as a proxy model.
DE102023001366.8A 2023-04-06 2023-04-06 Method for checking a perception module of a driver assistance system Ceased DE102023001366A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102023001366.8A DE102023001366A1 (en) 2023-04-06 2023-04-06 Method for checking a perception module of a driver assistance system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102023001366.8A DE102023001366A1 (en) 2023-04-06 2023-04-06 Method for checking a perception module of a driver assistance system

Publications (1)

Publication Number Publication Date
DE102023001366A1 true DE102023001366A1 (en) 2023-05-25

Family

ID=86227486

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102023001366.8A Ceased DE102023001366A1 (en) 2023-04-06 2023-04-06 Method for checking a perception module of a driver assistance system

Country Status (1)

Country Link
DE (1) DE102023001366A1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019234726A1 (en) 2018-06-05 2019-12-12 Israel Aerospace Industries Ltd. System and methodology for performance verification of multi-agent autonomous robotic systems

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019234726A1 (en) 2018-06-05 2019-12-12 Israel Aerospace Industries Ltd. System and methodology for performance verification of multi-agent autonomous robotic systems

Similar Documents

Publication Publication Date Title
DE102005026040B4 (en) Parameterization of a simulation working model
DE102017213217A1 (en) Test scenario database system for realistic virtual test driving scenarios
DE102016220670A1 (en) Method and system for testing software for autonomous vehicles
DE102008013366B4 (en) Method for providing information for driver assistance systems
EP3757795A1 (en) Method and device for optimal distribution of test cases to different test platforms
DE102021100149A1 (en) Computer-implemented method for providing a test history of traffic scenarios to be tested
DE102019213546A1 (en) Generation of synthetic lidar signals
EP3757792A2 (en) Method and device for testing a system, for selecting real tests and for testing systems with machine learning components
DE102019207215A1 (en) Method for using a feature-based localization map for a vehicle
EP3714337B1 (en) Simulation of statistically modelled sensor data
DE102020214596A1 (en) Method for generating training data for a recognition model for recognizing objects in sensor data of an environment sensor system of a vehicle, method for generating such a recognition model and method for controlling an actuator system of a vehicle
DE102017109132A1 (en) Method and IT infrastructure for model-based testing of software for a vehicle application system and for providing corresponding test results
DE102017201796A1 (en) Control device for determining a self-motion of a motor vehicle and motor vehicle and method for providing the control device
DE102023001366A1 (en) Method for checking a perception module of a driver assistance system
DE102019203205A1 (en) Method for evaluating vehicle data and vehicle data evaluation system for carrying out such a method
EP3979009A1 (en) Creation of a simplified model for xil systems
DE102009034242A1 (en) Method for testing controller utilized for controlling e.g. brake lamp of lorry, involves automatically operating regulator to determine whether controller properly operates or not upon detected output signal
DE102021213538A1 (en) Simulation to validate an automated driving function for a vehicle
DE102019218476A1 (en) Device and method for measuring, simulating, labeling and evaluating components and systems of vehicles
DE102020206327A1 (en) Method and device for testing a technical system
WO2021018453A1 (en) Method for testing a motor vehicle
DE102021109133A1 (en) Method and device for creating test cases for a test system
DE102023102523A1 (en) Procedure for efficient scenario-based testing of an automated driving system
DE102017213771A1 (en) Method and apparatus for detecting anomalies in a communication network
WO2023006934A1 (en) Computer-implemented method for producing a software image, suitable for a numerical simulation, of at least part of a real controller

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R230 Request for early publication
R016 Response to examination communication
R002 Refusal decision in examination/registration proceedings
R003 Refusal decision now final