Uncertainty Representation in a SOTIF-Related Use Case with Dempster-Shafer Theory for LiDAR Sensor-Based Object Detection

Resumen Técnico: Representación de la Incertidumbre en un Caso de Uso Relacionado con SOTIF Mediante la Teoría de Dempster-Shafer para la Detección de Objetos Basada en Sensores LiDAR

Enunciado del Problema
La seguridad de la funcionalidad prevista (SOTIF) en los sistemas de conducción automatizada (ADS) requiere abordar los peligros derivados de insuficiencias funcionales, particularmente en entornos con condiciones impredecibles donde los parámetros operativos están mal definidos. La detección de objetos basada en LiDAR, aunque crítica para la percepción ambiental en 3D, es susceptible a una incertidumbre significativa causada por la variabilidad ambiental (por ejemplo, lluvia, niebla) y las limitaciones en el rendimiento del sensor. Estas incertidumbres se manifiestan como tipos aleatorios (variabilidad ambiental inherente) y epistémicos (limitaciones del conocimiento/modelo del sistema). Los métodos existentes a menudo luchan por representar estas incertidumbres sin depender de probabilidades previas sesgadas o sin tener en cuenta la evidencia contradictoria. Este artículo aborda la necesidad de un enfoque sistemático para identificar, clasificar y representar estas incertidumbres, a fin de garantizar la fiabilidad de las funciones de percepción de los ADS.

Metodología
Los autores proponen un flujo de trabajo estructurado para modelar la incertidumbre dentro de un caso de uso específico relacionado con SOTIF: un vehículo equipado con LiDAR que navega por una carretera rural de dos carriles en condiciones meteorológicas adversas (lluvia y niebla) mientras interactúa con un ciclista y un camión que viene en sentido contrario.

1. Identificación y Mapeo de la Incertidumbre:

   • Las fuentes de incertidumbre se categorizan en aleatorias (por ejemplo, intensidad de la lluvia, densidad de la niebla, condiciones de la carretera mojada, dispersión de la señal) y epistémicas (por ejemplo, calidad del entrenamiento del modelo de aprendizaje profundo, limitaciones del sensor).
   • Las dependencias entre estas fuentes se mapean utilizando un Grafo Acíclico Dirigido (DAG), ilustrando cómo los factores ambientales (como la lluvia) influyen en estados intermedios (carreteras mojadas, dispersión de la señal) que finalmente afectan la precisión de la detección.

2. Marco de la Teoría de Dempster-Shafer (DST):

   • Marco de Discernimiento (FoD): Definido como $\Theta = \{\theta_1, \theta_2, \theta_3, \theta_4\}$, representando cuatro resultados de detección: detección de un ciclista, detección de un camión, falso negativo (objeto presente pero no detectado) y falso positivo (detección incorrecta).
   • Asignaciones Básicas de Probabilidad (BPAs): Se asignan BPAs condicionales a subconjuntos del FoD basándose en los estados de las fuentes de incertidumbre identificadas (por ejemplo, intensidad de lluvia baja/media/alta). Estas se derivan de datos de simulación para capturar tanto las incertidumbres aleatorias como las epistémicas.
   • Combinación de Evidencia: Para manejar la evidencia contradictoria de múltiples fuentes (por ejemplo, cuando una fuente sugiere una alta probabilidad de detección mientras otra sugiere una alta probabilidad de ruido), el artículo emplea la Regla de Combinación de Yager. A diferencia de la regla de Dempster, la regla de Yager redistribuye la masa conflictiva al conjunto universal $\Theta$ sin normalización, preservando la información sobre la ignorancia y el conflicto en sistemas complejos.
   • Cuantificación: La incertidumbre para cada fuente se cuantifica utilizando el intervalo entre las funciones de Creencia ($Bel$) y Plausibilidad ($Pl$). La diferencia $U(A) = Pl(A) - Bel(A)$ sirve como métrica para el nivel de incertidumbre.

3. Análisis de Sensibilidad y Mitigación:

   • Análisis de Sensibilidad Basado en la Varianza (VBSA): Se aplica para cuantificar la contribución de cada fuente de incertidumbre a la varianza total en el rendimiento de la detección (específicamente en los valores de $Bel$y$Pl$).
   • Priorización: Las fuentes se clasifican en categorías de impacto Bajo, Moderado y Alto basándose en la magnitud de sus intervalos de incertidumbre y sus contribuciones de varianza.
   • Estrategias de Mitigación: Se proponen medidas específicas basadas en las fuentes de alto impacto identificadas.

Contribuciones Clave
El artículo realiza dos contribuciones principales:

1. Enfoque Sistemático: Presenta una metodología estructurada para identificar, clasificar y representar incertidumbres en la detección de objetos basada en LiDAR específicamente dentro de un contexto SOTIF.
2. Aplicación de DST: Demuestra la aplicación de la Teoría de Dempster-Shafer para gestionar estas incertidumbres. A diferencia de trabajos anteriores centrados en la evaluación del rendimiento, este estudio cambia el enfoque hacia la representación de la incertidumbre para desarrollar estrategias de mitigación dirigidas. El uso de la regla de Yager se destaca como un mecanismo para resolver conflictos sin forzar un único resultado probabilístico, lo cual es crucial cuando la evidencia es contradictoria o insuficiente.

Resultados

• Cuantificación de la Incertidumbre: La aplicación de DST reveló que ciertos factores ambientales degradan significativamente la confianza en la detección. Por ejemplo, se encontró que la intensidad de la lluvia aumenta la probabilidad de Falsos Positivos, mientras que la densidad de la niebla y la dispersión de la señal se correlacionan con un aumento de Falsos Negativos.
• Clasificación de Impacto: Utilizando la métrica $Pl - Bel$, las fuentes de incertidumbre se categorizaron:
  • Alto Impacto: Intensidad de la lluvia, rendimiento del sensor LiDAR y tipo de superficie.
  • Impacto Moderado: Condiciones de la carretera mojada, ruido en los datos del LiDAR, calidad del entrenamiento del modelo de DL y proximidad del objeto.
  • Bajo Impacto: Densidad de la niebla, dispersión de las señales del LiDAR y variabilidad de la reflexión.
• Análisis de Sensibilidad: Los resultados del VBSA indicaron que la intensidad de la lluvia y la dispersión de las señales del LiDAR generan la mayor varianza en el rendimiento de la detección, seguidas por las condiciones de la carretera mojada y el rendimiento del sensor.
• Propuestas de Mitigación: Basándose en estos hallazgos, los autores proponen:
  • Desarrollar algoritmos adaptativos para ajustarse a condiciones meteorológicas variables.
  • Aplicar técnicas de reducción de ruido para minimizar la interferencia ambiental.
  • Expandir los conjuntos de datos de entrenamiento con datos simulados de condiciones meteorológicas extremas para mejorar la generalización del modelo.

Significado y Limitaciones
El artículo afirma su importancia al proporcionar un marco estructurado para evaluar cómo las incertidumbres afectan la precisión de la detección, avanzando más allá de las métricas de rendimiento simples hacia un análisis más profundo de por qué varía el rendimiento. Al utilizar DST, los autores abogan por una representación más matizada de la incertidumbre que acomoda tanto la falta de conocimiento (epistémica) como la variabilidad inherente (aleatoria) sin requerir probabilidades previas difíciles de justificar.

Los autores reconocen modestamente varias limitaciones:

• Subjetividad: La asignación de BPAs implica un grado de subjetividad que puede introducir sesgos.
• Naturaleza Estática: El análisis actual es estático y no captura la dinámica temporal, que es crítica para la toma de decisiones en tiempo real en entornos dinámicos.
• Sensibilidad a las Suposiciones: Las conclusiones son sensibles a las suposiciones iniciales y a la elección específica de las reglas de combinación en DST.

Se sugiere trabajo futuro para extender este marco estático a uno dinámico, integrando potencialmente modelos temporales como Modelos Ocultos de Markov (HMM) o Redes Bayesianas para rastrear la propagación de la incertidumbre a lo largo del tiempo, y validando estos modelos contra datos del mundo real.