22、基于机器学习的故障注入在自适应巡航控制安全评估中的应用

基于机器学习的故障注入在自适应巡航控制安全评估中的应用

在汽车安全评估领域，确保车辆组件在各种故障情况下的安全性至关重要。本文将介绍一种结合机器学习的故障注入方法，用于自适应巡航控制（ACC）系统的安全评估，该方法基于SAHARA（Simulation - Aided Hazard Analysis and Risk Assessment）方法论。

1. 仿真与可视化

在SAHARA方法论的这一步骤中，已经选择了合适的场景和故障（使用强化学习进行参数化），并将故障注入到组件模型中。接下来是对场景进行仿真，以实现两个目标：
- 为安全评估过程中的专家提供可视化展示。
- 生成用于初步安全分类的轨迹。

这里选择了开源的CARLA模拟器，原因在于它具有高质量的可视化效果，易于与Simulink和Python等工具集成，并且拥有默认的车辆动力学模型。通过修改内置地图上的天气和时间，将场景加载到CARLA中。

场景是CARLA和Simulink之间的协同仿真，使用Python桥来同步每个时间步。仿真会按照场景参数中设定的预定时间运行。Simulink模拟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仿真轨迹，这些信号包括：
- 自我车辆的加速度、速度和碰撞冲量（与任何物体）。
- 与前车的相对速度和距离。
- 碰撞前的时间间隔。

从仿真中，CARLA还会生成可视化内容，帮助安全工程师推断所研究故障的后果，展示驾驶员的体验以及组件故障的可能结果，从而洞察故障行为的危险性。

2. 危险分类

SAHARA方法论的最后一步是检查仿真轨迹，