22、基于机器学习的故障注入在汽车安全评估中的应用

基于机器学习的故障注入在汽车安全评估中的应用

1. 模拟与可视化

在SAHARA方法的这一步骤中，已选定合适的场景和故障（使用强化学习进行参数化），并将故障注入到组件模型中。下一步是对场景进行模拟，以实现两个目标：一是为安全评估过程中的专家提供可视化展示，二是生成用于初步安全分类的轨迹。

为了实现高质量的可视化效果，并便于与其他工具（如Simulink和Python）集成，同时利用其默认的车辆动力学模型，我们选择了开源的CARLA模拟器。通过修改内置地图上的天气和时间，将场景加载到CARLA中。

场景模拟是通过Python桥接器实现CARLA和Simulink之间的协同仿真，以同步每个时间步。该模拟会按照场景参数中设定的预定时间运行。其中，Simulink模拟自适应巡航控制（ACC），而CARLA模拟车辆动力学和环境。同时，还会生成用于评估危险情况的模拟轨迹，这些信号包括自车的加速度、速度、碰撞冲量（与任何物体的碰撞）、与前车的相对速度和距离，以及碰撞前的时间间隔等。

从模拟中，CARLA还会生成可视化内容，供安全工程师用于推断所研究故障的后果。这些可视化展示能让安全工程师了解驾驶员的体验，以及组件故障可能产生的结果，从而洞察故障行为的危险性。

2. 危险分类

SAHARA方法的最后一步是检查模拟轨迹，以对场景的危险等级进行初步分类。

根据ISO 26262标准，针对特定场景，需要通过对危险场景的暴露度（E）、严重程度（S）和可控性（C）进行分类，来确定汽车安全完整性等级（ASIL）。然后通过查询包含E、C和S的表格，得出ASIL等级，范围从QM（最低）到A - D（最高）。ASIL为组件故障的安