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

Riepilogo Tecnico: Rappresentazione dell'Incertezza in un Caso d'Uso Relativo al SOTIF con la Teoria di Dempster-Shafer per il Rilevamento di Oggetti Basato su Sensori LiDAR

Enunciato del Problema
La sicurezza della funzionalità prevista (SOTIF) nei sistemi di guida automatizzata (ADS) richiede di affrontare i pericoli derivanti da insufficienze funzionali, in particolare in ambienti con condizioni imprevedibili dove i parametri operativi sono mal definiti. Il rilevamento di oggetti basato su LiDAR, sebbene critico per la percezione ambientale 3D, è soggetto a significative incertezze causate dalla variabilità ambientale (ad esempio, pioggia, nebbia) e dalle limitazioni delle prestazioni dei sensori. Queste incertezze si manifestano sia come aleatorie (variabilità ambientale intrinseca) sia come epistemiche (limiti delle conoscenze del sistema/del modello). I metodi esistenti spesso faticano a rappresentare queste incertezze senza fare affidamento su probabilità a priori distorte o senza tenere conto di prove conflittuali. Questo articolo affronta la necessità di un approccio sistematico per identificare, classificare e rappresentare tali incertezze al fine di garantire l'affidabilità delle funzioni di percezione degli ADS.

Metodologia
Gli autori propongono un flusso di lavoro strutturato per modellare l'incertezza all'interno di un caso d'uso specifico relativo al SOTIF: un veicolo equipaggiato con LiDAR che percorre una strada di campagna a due corsie in condizioni meteorologiche avverse (pioggia e nebbia) interagendo con un ciclista e un camion in arrivo.

1. Identificazione e Mappatura dell'Incertezza:

   • Le fonti di incertezza sono categorizzate in aleatorie (ad esempio, intensità della pioggia, densità della nebbia, condizioni della strada bagnata, diffusione del segnale) ed epistemiche (ad esempio, qualità dell'addestramento del modello di deep learning, limitazioni del sensore).
   • Le dipendenze tra queste fonti sono mappate utilizzando un Grafo Aciclico Diretto (DAG), illustrando come i fattori ambientali (come la pioggia) influenzino gli stati intermedi (strade bagnate, diffusione del segnale) che alla fine influenzano l'accuratezza del rilevamento.

2. Quadro della Teoria di Dempster-Shafer (DST):

   • Insieme di Riferimento (FoD): Definito come $\Theta = \{\theta_1, \theta_2, \theta_3, \theta_4\}$, rappresentante quattro esiti di rilevamento: rilevamento di un ciclista, rilevamento di un camion, falso negativo (oggetto presente ma non rilevato) e falso positivo (rilevamento errato).
   • Assegnazioni di Probabilità di Base (BPA): Le BPA condizionate sono assegnate a sottoinsiemi dell'FoD basati sugli stati delle fonti di incertezza identificate (ad esempio, intensità della pioggia bassa/media/alta). Queste sono derivate da dati di simulazione per catturare sia le incertezze aleatorie sia quelle epistemiche.
   • Combinazione delle Prove: Per gestire prove conflittuali provenienti da più fonti (ad esempio, quando una fonte suggerisce un'alta probabilità di rilevamento mentre un'altra suggerisce un'alta probabilità di rumore), l'articolo impiega la Regola di Combinazione di Yager. A differenza della regola di Dempster, la regola di Yager ridistribuisce la massa conflittuale all'insieme universale $\Theta$ senza normalizzazione, preservando le informazioni sull'ignoranza e sul conflitto in sistemi complessi.
   • Quantificazione: L'incertezza per ciascuna fonte è quantificata utilizzando l'intervallo tra le funzioni di Credenza ($Bel$) e di Plausibilità ($Pl$). La differenza $U(A) = Pl(A) - Bel(A)$ funge da metrica per il livello di incertezza.

3. Analisi di Sensibilità e Mitigazione:

   • Analisi di Sensibilità Basata sulla Varianza (VBSA): Applicata per quantificare il contributo di ciascuna fonte di incertezza alla varianza totale nelle prestazioni di rilevamento (specificamente nei valori di $Bel$e$Pl$).
   • Prioritizzazione: Le fonti sono classificate nelle categorie di impatto Basso, Moderato e Alto in base all'entità dei loro intervalli di incertezza e ai contributi di varianza.
   • Strategie di Mitigazione: Vengono proposte misure specifiche basate sulle fonti ad alto impatto identificate.

Contributi Chiave
L'articolo apporta due contributi principali:

1. Approccio Sistematico: Presenta una metodologia strutturata per identificare, classificare e rappresentare le incertezze nel rilevamento di oggetti basato su LiDAR, specificamente all'interno di un contesto SOTIF.
2. Applicazione della DST: Dimostra l'applicazione della Teoria di Dempster-Shafer per gestire queste incertezze. A differenza di lavori precedenti focalizzati sulla valutazione delle prestazioni, questo studio sposta l'attenzione sulla rappresentazione dell'incertezza per sviluppare strategie di mitigazione mirate. L'uso della regola di Yager è evidenziato come meccanismo per risolvere conflitti senza forzare un singolo esito probabilistico, il che è cruciale quando le prove sono contraddittorie o insufficienti.

Risultati

• Quantificazione dell'Incertezza: L'applicazione della DST ha rivelato che certi fattori ambientali degradano significativamente la fiducia nel rilevamento. Ad esempio, è stato scoperto che l'intensità della pioggia aumenta la probabilità di Falsi Positivi, mentre la densità della nebbia e la diffusione del segnale sono correlate all'aumento dei Falsi Negativi.
• Classificazione dell'Impatto: Utilizzando la metrica $Pl - Bel$, le fonti di incertezza sono state categorizzate:
  • Alto Impatto: Intensità della pioggia, prestazioni del sensore LiDAR e tipo di superficie.
  • Impatto Moderato: Condizioni della strada bagnata, rumore nei dati LiDAR, qualità dell'addestramento del modello DL e prossimità dell'oggetto.
  • Basso Impatto: Densità della nebbia, diffusione dei segnali LiDAR e variabilità della riflessione.
• Analisi di Sensibilità: I risultati della VBSA hanno indicato che l'intensità della pioggia e la diffusione dei segnali LiDAR generano la varianza più elevata nelle prestazioni di rilevamento, seguite dalle condizioni della strada bagnata e dalle prestazioni del sensore.
• Proposte di Mitigazione: Sulla base di questi risultati, gli autori propongono:
  • Sviluppare algoritmi adattivi per adeguarsi alle condizioni meteorologiche variabili.
  • Applicare tecniche di riduzione del rumore per minimizzare l'interferenza ambientale.
  • Espandere i dataset di addestramento con dati simulati di condizioni meteorologiche estreme per migliorare la generalizzazione del modello.

Significato e Limitazioni
L'articolo rivendica significato nel fornire un quadro strutturato per valutare come le incertezze influenzino l'accuratezza del rilevamento, andando oltre le semplici metriche di prestazione verso un'analisi più profonda del perché le prestazioni variano. Utilizzando la DST, gli autori sostengono una rappresentazione più sfumata dell'incertezza che accomoda sia la mancanza di conoscenza (epistemica) sia la variabilità intrinseca (aleatoria) senza richiedere probabilità a priori difficili da giustificare.

Gli autori riconoscono modestamente diverse limitazioni:

• Soggettività: L'assegnazione delle BPA comporta un grado di soggettività che potrebbe introdurre bias.
• Natura Statica: L'analisi attuale è statica e non cattura le dinamiche temporali, che sono critiche per il processo decisionale in tempo reale in ambienti dinamici.
• Sensibilità alle Assunzioni: Le conclusioni sono sensibili alle assunzioni iniziali e alla scelta specifica delle regole di combinazione nella DST.

Viene suggerito un lavoro futuro per estendere questo quadro statico in uno dinamico, potenzialmente integrando modelli temporali come le Catene di Markov Nascoste (HMM) o le Reti Bayesiane per tracciare la propagazione dell'incertezza nel tempo e validare questi modelli contro dati del mondo reale.