Safety-Centered Scenario Generation for Autonomous Vehicles

यहाँ किरुतिगा चंद्रा शेकर और अलियासगर अरब के शोध पत्र "Safety-Centered Scenario Generation for Autonomous Vehicles" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

स्वायत्त वाहनों (AVs) की तैनाती वास्तविक दुनिया के ड्राइविंग वातावरण की विशाल जटिलता के कारण सुरक्षा सत्यापन (safety validation) में महत्वपूर्ण बाधाओं का सामना कर रही है। मुख्य चुनौतियों में शामिल हैं:

• परिदृश्य की जटिलता (Scenario Complexity): AVs को विविध मौसम, सड़क ज्यामिति और अन्य सड़क उपयोगकर्ताओं के साथ गतिशील अंतःक्रियाओं (dynamic interactions) के बीच नेविगेट करना होता है।
• एज केस की कमी (Edge Case Scarcity): दुर्लभ, उच्च-जोखिम वाले "एज केस" (जैसे अचानक पैदल यात्री का रास्ता पार करना, आक्रामक तरीके से कट-इन करना) वास्तविक दुनिया के डेटा में विरल रूप से होते हैं, जिससे उन्हें प्रशिक्षण और परीक्षण के लिए कैप्चर करना कठिन हो जाता है।
• परीक्षण सीमाएँ (Testing Limitations): भौतिक परीक्षण जोखिम भरा, महंगा और गणनात्मक रूप से अक्षम है। मौजूदा सिमुलेशन विधियाँ अक्सर सीमित परिदृश्य कवरेज, यथार्थवाद की कमी और औपचारिक सुरक्षा लक्ष्यों (जैसे ISO 26262) को व्यवस्थित रूप से जोड़ने में विफल रहती हैं।
• मैनुअल बाधाएँ (Manual Bottlenecks): टेस्ट परिदृश्य बनाना मैन्युअल रूप से समय लेने वाला, मानवीय त्रुटियों के प्रति संवेदनशील और स्केल करने में कठिन है।

यह शोध पत्र एक स्केलेबल, स्वचालित और सुरक्षा-केंद्रित ढांचे की आवश्यकता को संबोधित करता है जो AV सुरक्षा सुविधाओं को कठोरता से मान्य करने के लिए विविध, पैरामीटराइज्ड और महत्वपूर्ण ड्राइविंग परिदृश्य उत्पन्न करता है।

2. कार्यप्रणाली (Methodology)

लेखक एक ढांचा प्रस्तावित करते हैं जो CARLA सिमुलेशन वातावरण के भीतर Hazard Analysis and Risk Assessment (HARA) को AI-संचालित कोड जनरेशन के साथ एकीकृत करता है।

A. आर्किटेक्चर अवलोकन (Architecture Overview)

कार्यप्रवाह (workflow) तीन चरणों वाली पाइपलाइन का अनुसरण करता है:

1. HARA एकीकरण: सुरक्षा-महत्वपूर्ण परिदृश्यों को पहले HARA से प्राप्त प्राकृतिक भाषा विवरणों का उपयोग करके परिभाषित किया जाता है। ये विवरण खतरों (hazards), सुरक्षा लक्ष्यों और जोखिम मापदंडों की पहचान करते हैं।
2. AI-आधारित कोड जनरेशन: एक लार्ज लैंग्वेज मॉडल (LLM), जिसे परिदृश्य जनरेशन के लिए फाइन-ट्यून किया गया है, प्राकृतिक भाषा के HARA विवरणों को CARLA के अनुकूल निष्पादन योग्य पायथन (Python) कोड में परिवर्तित करता है।
   • इनपुट: संरचित टेम्पलेट्स जिनमें परिदृश्य प्रकार (Scenario Type), एक्टर्स (ego, पैदल यात्री, आदि), पर्यावरणीय स्थितियाँ, ट्रिगर इवेंट्स और पैरामीटर रेंज शामिल हैं।
   • आउटपुट: पायथन स्क्रिप्ट जो एक्टर्स को स्थापित करती है, व्यवहार को स्क्रिप्ट करती है, सेंसर को कॉन्फ़िगर करती है और लॉगिंग सेटअप करती है।
3. सिमुलेशन और विश्लेषण: जनरेट किया गया कोड CARLA (v0.9.10) में "हेडलेस मोड" (बिना ग्राफिकल रेंडरिंग के) में चलता है ताकि गणनात्मक दक्षता को अधिकतम किया जा सके। सिस्टम पोस्ट-प्रोसेसिंग के लिए मात्रात्मक डेटा लॉग करता है।

B. परिदृश्य पैरामीटराइजेशन और कवरेज (Scenario Parameterization & Coverage)

कठोर परीक्षण सुनिश्चित करने के लिए, ढांचा एक 5-आयामी पैरामीटर स्पेस के आधार पर एक परिदृश्य कवरेज इंडेक्स (Scenario Coverage Index - SCI) को परिभाषित करता है:

• पैरामीटर्स: ईगो वेलोसिटी ($v_v$), पैदल यात्री/साइकिल चालक वेलोसिटी ($v_p$), अप्रोच एंगल ($\theta$), प्रारंभिक दूरी ($d$), और उपस्थिति का समय ($t$)।
• डिस्क्रीटाइजेशन (Discretization): प्रत्येक पैरामीटर को डिस्क्रीट बिन्स (जैसे, 7 वेलोसिटी बिन्स, 9 डिस्टेंस बिन्स) में विभाजित किया गया है।
• मेट्रिक फॉर्मूलेशन: SCI निर्धारित बिन्स के कुल बिन्स के अनुपात की गणना करता है, जिसे टकराव के जोखिम के प्रति पैरामीटर के महत्व द्वारा भारित (weighted) किया जाता है।
  • सूत्र: $SCI = \sum w_j \cdot \frac{N_{tested}(p_j)}{N_{bins}(p_j)}$
  • लक्ष्य: SCI को 1.0 के करीब प्राप्त करना, जो सुरक्षा-महत्वपूर्ण पैरामीटर स्पेस के पूर्ण अन्वेषण को दर्शाता है।

C. सुरक्षा मेट्रिक्स (Safety Metrics)

ढांचा AV प्रदर्शन का मूल्यांकन करने के लिए मात्रात्मक मेट्रिक्स की गणना करता है:

• टाइम-टू-कोलिजन (TTC): क्रैश तक का कालिक निकटता (Temporal proximity)।
• न्यूनतम दूरी (Dmin): स्थानिक निकटता (Spatial proximity)।
• पोस्ट-एनक्रोचमेंट टाइम (PET): संघर्ष बिंदु (conflict point) से गुजरने वाले ईगो वाहन और बाधा के बीच का समय अंतराल।
• थ्रेशोल्ड उल्लंघन (Threshold Violations): वे मामले जहाँ TTC महत्वपूर्ण सुरक्षा सीमाओं (जैसे, < 1.2s) से नीचे गिर जाता है।
• टकराव की गंभीरता (Collision Severity): प्रभाव वेग (impact velocity) और टकराव का प्रकार।

3. प्रमुख योगदान (Key Contributions)

• स्वचालित परिदृश्य जनरेशन: HARA-व्युत्पन्न सुरक्षा आवश्यकताओं को सीधे सिमुलेशन कोड में अनुवादित करने के लिए LLM का उपयोग करने वाला एक नवीन पाइपलाइन, जो मैन्युअल प्रयास को कई गुना कम करता है।
• सुरक्षा मानकों के साथ ट्रैसेबिलिटी: ढांचा जनरेट किए गए परिदृश्यों को स्पष्ट रूप से ISO 26262 कार्यात्मक सुरक्षा आवश्यकताओं और HARA-व्युत्पन्न सुरक्षा लक्ष्यों से जोड़ता है, जिससे नियामक ट्रैसेबिलिटी सुनिश्चित होती है।
• मात्रात्मक कवरेज मेट्रिक: परिदृश्य कवरेज इंडेक्स (SCI) का परिचय एक परिभाषित पैरामीटर स्पेस में सुरक्षा परीक्षण की पूर्णता को मापने के लिए एक गणितीय विधि प्रदान करता है।
• स्केलेबल वैलिडेशन: हेडलेस सिमुलेशन और समानांतर प्रसंस्करण (parallel processing) का उपयोग करके, सिस्टम कुशलतापूर्वक हजारों परिदृश्यों को निष्पादित कर सकता है, जिससे सुरक्षा मूल्यांकन में सांख्यिकीय विश्वसनीयता सक्षम होती है।

4. परिणाम (Results)

ढांचे का मूल्यांकन 1,024 निष्पादित परिदृश्यों (Vehicle-to-Vehicle और Vulnerable Road User परिदृश्यों सहित) में CARLA ऑटोपायलट मॉड्यूल का उपयोग करके किया गया।

• कवरेज प्रदर्शन:
  • ढांचे ने वेलोसिटी, एंगल, डिस्टेंस और टाइम के लिए परिभाषित सभी बिन्स के लिए 100% पैरामीटर स्पेस कवरेज (SCI = 1.0) प्राप्त किया।
  • पहचाने गए क्रिटिकल हाई-रिस्क पैरामीटर संयोजनों में से 87% का सफलतापूर्वक परीक्षण किया गया।
• सुरक्षा मेट्रिक्स:
  • टकराव दर (Collision Rate): 12.4% (1,024 रन में से 127 टकराव)।
  • औसत TTC: 3.42 सेकंड।
  • थ्रेशोल्ड उल्लंघन: 33.4% परिदृश्यों में TTC < 1.2s था, जो गंभीर सुरक्षा स्थितियों को दर्शाता है जिसमें बचाव कार्रवाई (evasive action) की आवश्यकता होती है।
  • जोखिम सहसंबंध (Risk Correlation): उच्च ईगो स्पीड (>30 km/h) और तीव्र क्रॉसिंग एंगल्स (30°–45°) का कम सुरक्षा मार्जिन और बढ़े हुए टकराव की संभावना के साथ मजबूत सहसंबंध पाया गया।
• बेसलाइन तुलना (AI बनाम मैन्युअल बनाम रूल-बेस्ड):
  • दक्षता (Efficiency): AI पद्धति ने मैन्युअल (45 घंटे) और रूल-बेस्ड (8.5 घंटे) की तुलना में 2.3 घंटे में 1,000 परिदृश्य उत्पन्न किए। यह मैन्युअल जनरेशन की तुलना में 19.6x की गति वृद्धि है।
  • विविधता (Diversity): AI ने SCI = 1.0 प्राप्त किया, जो मैन्युअल (0.68) और रूल-बेस्ड (0.82) विधियों से बेहतर प्रदर्शन करता है।
  • एज केस: AI ने 23 अद्वितीय एज केस की पहचान की, जो मैन्युअल (8) या रूल-बेस्ड (12) की तुलना में काफी अधिक है।
  • कोड गुणवत्ता: AI-जनरेटेड कोड ने 94.2% सिंटैक्स शुद्धता प्राप्त की, जो मानव-समीक्षित कोड के तुलनीय है।

5. महत्व (Significance)

यह शोध पत्र फंक्शनल सेफ्टी इंजीनियरिंग (HARA) और स्वचालित सिमुलेशन के बीच की खाई को पाटकर स्वायत्त वाहनों (AV) की सुरक्षा सत्यापन के लिए एक परिवर्तनकारी दृष्टिकोण प्रस्तुत करता है।

• त्वरित सत्यापन: विविध परिदृश्य उत्पन्न करने और चलाने के लिए आवश्यक समय में भारी कमी AV विकास में तेज़ पुनरावृत्ति चक्रों (iteration cycles) की अनुमति देती है।
• व्यवस्थित जोखिम मूल्यांकन: रैंडम टेस्टिंग से हटकर एक संरचित, पैरामीटर-ड्रिवन दृष्टिकोण अपनाकर, ढांचा यह सुनिश्चित करता है कि सुरक्षा दावे पूरे ऑपरेशनल डिज़ाइन डोमेन (ODD) को कवर करने वाले व्यापक डेटा द्वारा समर्थित हों।
• नियामक विश्वास: विशिष्ट सुरक्षा लक्ष्यों तक टेस्ट केस को ट्रैक करने और मात्रात्मक मेट्रिक्स (TTC, SCI) प्रदान करने की क्षमता नियामक निकायों और हितधारकों के लिए मजबूत साक्ष्य प्रदान करती है।
• भविष्य के लिए तैयारी: इसका मॉडुलर डिज़ाइन भविष्य में रिइन्फोर्समेंट लर्निंग (RL) एजेंटों, हार्डवेयर-इन-द-लूप (HIL) परीक्षण, और उन्नत AI सुरक्षा विश्लेषण टूल के एकीकरण का समर्थन करता है।

निष्कर्षतः, प्रस्तावित ढांचा यह प्रदर्शित करता है कि AI-संचालित परिदृश्य जनरेशन न केवल व्यवहार्य है, बल्कि गति, कवरेज और महत्वपूर्ण एज केसों को उजागर करने की क्षमता के मामले में पारंपरिक तरीकों से बेहतर है, जिससे स्वायत्त वाहनों की सुरक्षा आश्वासन (safety assurance) में महत्वपूर्ण वृद्धि होती है।