近日，一項發表於arXiv的研究提出了一種新穎的貝葉斯框架，用於驗證合成預碰撞場景的實際等效性。該研究由Jian Wu、Ulrich Sander、Carol Flannagan和Jonas Bärgman共同完成。在自動駕駛系統的安全影響評估中，合成預碰撞場景的代表性至關重要。然而，目前尚缺乏穩健的方法來評估這些合成場景是否與實際場景足夠相似以滿足評估需求。傳統的顯著性檢驗方法存在不足，因為它們側重於檢測統計差異，而非確認實際等效性。
該研究團隊在之前工作的基礎上，引入了一種基於分箱（binning）的方法來定義合適的統計量和等效性標準，從而擴充套件了基於貝葉斯實際等效區域（ROPE）的等效性檢驗框架。他們提出了兩種基於分箱的統計量，用於在安全影響評估背景下衡量資料集之間具有實際意義的分佈差異。透過一項案例研究，作者測試了兩個合成追尾預碰撞資料集與先前開發的參考資料集在實際等效性上的表現，並用於自動緊急制動（AEB）系統的安全影響評估。結果表明，該框架不僅提供了資訊豐富的定量等效性評估，還能診斷資料集之間的差異原因。
儘管該演示聚焦於追尾預碰撞場景，但該框架具有通用性和可擴充套件性，可應用於更廣泛的驗證場景，為不同合成資料應用中的實際等效性評估提供了可解釋且原則性的基礎。這一工作填補了合成資料驗證領域的一個重要空白，為自動駕駛安全評估提供了更加可靠的工具。未來，該框架有望被廣泛應用於各類駕駛場景的合成資料驗證，推動自動駕駛技術的發展。