Estimating the Joint Probability of Scenario Parameters with Gaussian Mixture Copula Models

要約

このホワイトペーパーでは、自動化された運転システムの安全検証のための運転シナリオの統計的モデリングへのガウス混合コピュラモデルの最初のアプリケーションを提示します。
シナリオパラメーターの共同確率分布の知識は、リスクの定量化がコンクリートパラメーターの組み合わせの可能性に依存するシナリオベースの安全性評価に不可欠です。
ガウス混合物コピュラモデルは、ガウス混合モデルのマルチモーダルな表現力とコピュラの柔軟性をまとめ、限界分布と依存関係の個別のモデリングを可能にします。
以前に提案されたアプローチに対してガウス混合物コピュラモデル – ガウス混合モデルとガウスコピュラモデルをベンチマークします – 国連規制番号157で定義されたシナリオから描かれた現実世界の駆動データを使用しています。
これらの結果は、ガウス混合物コピュラモデルが、将来のシナリオベースの検証フレームワークの魅力的な基盤であることを示唆しています。

要約(オリジナル)

This paper presents the first application of Gaussian Mixture Copula Models to the statistical modeling of driving scenarios for the safety validation of automated driving systems. Knowledge of the joint probability distribution of scenario parameters is essential for scenario-based safety assessment, where risk quantification depends on the likelihood of concrete parameter combinations. Gaussian Mixture Copula Models bring together the multimodal expressivity of Gaussian Mixture Models and the flexibility of copulas, enabling separate modeling of marginal distributions and dependencies. We benchmark Gaussian Mixture Copula Models against previously proposed approaches – Gaussian Mixture Models and Gaussian Copula Models – using real-world driving data drawn from scenarios defined in United Nations Regulation No. 157. Our evaluation across 18 million scenario instances demonstrates that Gaussian Mixture Copula Models provide a better fit to the data in terms of both likelihood and Sinkhorn distance. These results suggest that Gaussian Mixture Copula Models are a compelling foundation for future scenario-based validation frameworks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google