近日，一项发表于arXiv的研究提出了一种新颖的贝叶斯框架，用于验证合成预碰撞场景的实际等效性。该研究由Jian Wu、Ulrich Sander、Carol Flannagan和Jonas Bärgman共同完成。在自动驾驶系统的安全影响评估中，合成预碰撞场景的代表性至关重要。然而，目前尚缺乏稳健的方法来评估这些合成场景是否与实际场景足够相似以满足评估需求。传统的显著性检验方法存在不足，因为它们侧重于检测统计差异，而非确认实际等效性。
该研究团队在之前工作的基础上，引入了一种基于分箱（binning）的方法来定义合适的统计量和等效性标准，从而扩展了基于贝叶斯实际等效区域（ROPE）的等效性检验框架。他们提出了两种基于分箱的统计量，用于在安全影响评估背景下衡量数据集之间具有实际意义的分布差异。通过一项案例研究，作者测试了两个合成追尾预碰撞数据集与先前开发的参考数据集在实际等效性上的表现，并用于自动紧急制动（AEB）系统的安全影响评估。结果表明，该框架不仅提供了信息丰富的定量等效性评估，还能诊断数据集之间的差异原因。
尽管该演示聚焦于追尾预碰撞场景，但该框架具有通用性和可扩展性，可应用于更广泛的验证场景，为不同合成数据应用中的实际等效性评估提供了可解释且原则性的基础。这一工作填补了合成数据验证领域的一个重要空白，为自动驾驶安全评估提供了更加可靠的工具。未来，该框架有望被广泛应用于各类驾驶场景的合成数据验证，推动自动驾驶技术的发展。