用于碰撞前安全系统虚拟安全影响评估的场景生成中自适应采样方法的评估

《Journal of Safety Research》：Evaluation of adaptive sampling methods in scenario generation for virtual safety impact assessment of pre-crash safety systems

　　

摘要引言：虚拟安全评估在评估碰撞前安全系统（如高级驾驶辅助系统 (ADAS) 和自动驾驶系统 (ADS)）的安全影响方面发挥着至关重要的作用。然而，随着基于模拟的场景生成中参数数量的增加，需要模拟的碰撞场景数量呈指数级增长，使得完全枚举在计算上变得不可行。为了提高效率，提出了重要性抽样和主动抽样等高效抽样方法。然而，关于领域知识、分层和批量抽样如何影响其效率的综合评估仍然有限。

方法：本研究评估了重要性抽样和主动抽样在场景生成中的性能，纳入了两个由领域知识驱动的特征：自适应样本空间缩减 (ASSR) 和分层。此外，我们还评估了第三个特征——批量抽样对计算效率的影响，包括中央处理单元 (CPU) 时间和墙上时钟时间。基于我们的发现，我们提供了实际建议，用于应用 ASSR、分层和批量抽样以优化抽样性能。

结果：我们的结果表明，ASSR 显著提高了重要性抽样和主动抽样的抽样效率。当整合到主动抽样中时，ASSR 将估计值的均方根估计误差减少了高达 90%。无论是否实施 ASSR，分层都进一步提高了两种方法的抽样性能。当应用 ASSR 和/或分层时，重要性抽样的表现与主动抽样相当；而当不使用这两种特征时，主动抽样更高效。较大的批量大小减少了墙上时钟时间，但增加了达到相同估计精度所需的模拟次数。

结论：综上所述，在适用的情况下，在重要性抽样和主动抽样中应用 ASSR 和分层可显著提高效率，从而能够将计算资源重新分配到其他安全举措中。

引言
全球每年约有 120 万人死于交通事故 (世界卫生组织，2023)。为此，已开发出碰撞前安全系统和碰撞中保护系统，以防止或减轻碰撞的后果 (Cicchino, 2016; Crandall et al., 2001; Eichberger et al., 2011; Evans, 1986; Jermakian, 2011)。在安全系统市场部署之前及整个开发过程中，验证其性能至关重要。这些评估越来越多地通过模拟虚拟进行 (Wimmer et al., 2023)。

一种虚拟评估方法是反事实模拟，即将受评估的特定系统虚拟应用于一组基线碰撞运动学中，并比较基线碰撞与实施碰撞前安全系统的模拟之间的结果（例如，碰撞次数、冲击速度或受伤风险）。因此，基线碰撞是反事实模拟的先决条件。更确切地说，需要一组碰撞前运动学来描述涉及的道路用户在碰撞前的移动方式——在没有受评估安全系统的情况下。这些运动学的一个来源是深度碰撞数据库中最初重构的碰撞 (Deng et al., 2013; Rosén, 2013; Stark et al., 2019; Yang et al., 2024)。然而，由于深度碰撞调查的成本高昂，这些数据库往往较小。为了创建一组更大的碰撞，更好地覆盖更多的可能参数空间并更全面地反映真实交通场景 (Riedmaier et al., 2020)，可以从这些重构的碰撞中生成新的碰撞。这可以通过对它们应用计算碰撞成因行为模型和关键事件响应行为模型来完成。

例如，B?rgman 等人 (2024) 验证了碰撞成因和关键事件响应模型的组合，以生成新的追尾碰撞。他们的碰撞成因模型部分基于驾驶员的视线离开路面以及即使在碰撞情况下也倾向于比车辆的全制动能力制动不那么激进。这种类型的反事实模拟称为基于行为模型的反事实模拟。

基于行为模型的反事实模拟通常从数量相对较少的重构碰撞开始，其中已移除其中一个道路用户的避险机动 (Rosén, 2013)。每个此类事件称为原型事件。然后在虚拟环境中模拟原型事件，用驾驶员模型替代被移除的机动。通过改变模型参数，可以构建一系列事件，例如：车速 (Afsaneh et al., 2021)、驾驶员行为（例如视线行为和制动减速度；Lee et al., 2018）和环境条件 (Ruiz et al., 2018)。

反事实模拟场景生成的一个常见问题是，随着变化参数数量的增加，潜在碰撞场景的数量呈指数级增长。鉴于运行模拟的计算成本已经很高，完全枚举实际上变得不可行——必须进行子抽样。许多研究人员转向重要性抽样方法，以减少样本数量同时获得准确的估计 (de Gelder & Paardekooper, 2017; Wang et al., 2021; Zhao et al., 2016)。重要性抽样是一种用于子抽样问题的方差减少技术，旨在提高估计精度 (Tokdar & Kass, 2010)。在场景生成的背景下，该技术所需的输入是使用参数的提议分布，这是一种概率分布，决定了样本选择的可能性，引导抽样过程走向输入空间中更重要和更有信息的区域。然后根据提议分布生成场景的随机样本，随后可以通过逆概率加权获得感兴趣特征的不偏估计 (Mansournia & Altman, 2016)。理想情况下，重要性抽样概率应与感兴趣的结果成正比，以达到最佳性能 (Bugallo et al., 2017)。然而，指定提议分布具有挑战性，因为在运行模拟之前实际结果是未知的，这通常导致性能不佳。因此，需要高效的抽样策略来改进传统的重要性抽样方法。

Imberg 等人 (2024) 引入了主动抽样，这是一种机器学习辅助的子抽样方法，结合自适应重要性抽样和预测建模以优化样本选择。虽然这种方法解决了传统重要性抽样固有的许多局限性，但在碰撞成因场景生成背景下，主动抽样的某些方面和扩展仍未被探索。例如，尚未研究纳入领域知识以缩减样本空间并尽量减少准确安全影响评估所需模拟数量的潜在益处。此外，Imberg 等人 (2024) 之前的工作侧重于整个输入空间上的平均安全影响，而未考虑分层，导致原始原型事件之间的不平衡，因为不同的原型事件在不同场景下生成的碰撞数量不同。安全影响评估中一个重要考虑因素是每个原型事件应平等地贡献于评估，因为这些原型代表碰撞场景的经验分布，因此应被平等加权。案例加权（通过后分层）和分层技术可以帮助确保原型事件在整体安全影响评估中的平衡代表。分层已被证明可以减少随机模拟中的方差 (Park et al., 2024)，但分层与后分层在碰撞成因场景生成中的相对效率尚不清楚。最后，Imberg 等人 (2024) 没有探索通过并行计算可能实现的总计算时间减少——这种方法可能对大规模虚拟安全评估特别有益。为解决这些差距，本研究评估了三个以前未探索的特征对重要性抽样和主动抽样的影响：领域知识整合、后分层与分层、以及并行计算。尽管存在局限性，重要性抽样仍然被广泛使用，且通常比主动抽样更容易实施，使其成为重要的比较基准。

本工作的总体目标是评估两种自适应抽样方法的三个实施特征。为了确定特征的有效性，我们将它们应用于基于场景生成的碰撞前安全系统的虚拟影响评估。具体而言，我们的目标是：
• 评估提议的自适应样本空间缩减 (ASSR) 逻辑的抽样效率，该逻辑在重要性抽样和主动抽样的背景下将基于领域知识的逻辑约束应用于模拟结果。
• 评估分层在重要性抽样和主动抽样中的有效性。
• 分析批量大小对主动抽样效率的影响，特别是在并行计算环境中。
• 提供实际指南，用于在虚拟安全影响评估的场景生成中利用重要性抽样和主动抽样中的 ASSR、分层和批量抽样。

方法片段
方法我们实施了一个模拟框架，以评估三种场景抽样策略——简单随机抽样、重要性抽样和主动抽样——在虚拟安全影响评估中的性能。每种方法都在不同的实施条件下（包括 ASSR、分层和批量大小）针对估计反事实安全结果的统计效率进行了评估。数据、模型和模拟设置在 2.1 节中描述。实施的结果

结果
本节展示了抽样策略评估的结果，首先在第 3.1 节比较主动抽样和重要性抽样，随后是 3.2 节中 ASSR 逻辑的影响，3.3 节中分层与后分层，以及 3.4 节中批量大小对主动抽样性能的影响。

讨论
讨论本研究通过完善现有方法并整合领域知识以提高效率，推进了基于场景生成的安全系统评估中的自适应抽样方法论。我们检查了传统的重要性抽样方法和通过主动抽样实现的自适应重要性抽样，评估了三个关键实施特征的影响：ASSR、分层与后分层，以及批量大小效应。我们的发现表明，ASSR 提高了...的效率

CRediT 作者贡献声明
小米杨：写作 – 审查与编辑，写作 – 初稿，可视化，软件，方法论，数据整理，概念化。Henrik Imberg：写作 – 审查与编辑，写作 – 初稿，软件，方法论，形式分析，概念化。Carol Flannagan：写作 – 审查与编辑，监督，方法论，概念化。Jonas B?rgman：写作 – 审查与编辑，监督，资源，项目管理，方法论，资金获取，概念化。

竞争利益声明
作者声明，他们没有已知的竞争性财务利益或个人关系，这些可能出现在影响本文报告工作的地方。

致谢
这项工作由欧盟 Horizon 2020 研究和创新计划下的 SHAPE-IT 项目资助（根据 Marie Sk?odowska-Curie 资助协议 860410）。我们感谢欧盟委员会对这项工作的资助。我们还向沃尔沃汽车公司表示谢意，感谢他们允许我们使用他们的数据和模拟工具，特别是感谢沃尔沃汽车的 Malin Sv?rd 和 Simon Lundell 在模拟设置方面的支持，以及 Mattias Robertson 为他的...

小米杨于 2019 年获得芬兰赫尔辛基阿尔托大学机械工程理学硕士学位，并于 2025 年获得瑞典哥德堡查尔姆斯理工大学机器与车辆系统博士学位。她的研究专注于虚拟安全评估，特别感兴趣于开发和应用高级统计方法以增强基于模拟的安全系统评估的效率。

小米杨 | Henrik Imberg | Carol Flannagan | Jonas B?rgman
查尔姆斯理工大学机械工程系，瑞典哥德堡