⚡ electrical engineering

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

Dit artikel stelt een systematisch raamwerk voor voor SOTIF-conforme LiDAR-objectdetectie dat Dempster-Shafer-theorie met Yager's regel gebruikt om onzekerheidsbronnen te modelleren en te combineren, terwijl er gebruik wordt gemaakt van variantiegebaseerde gevoeligheidsanalyse om hun specifieke impact op detectienauwkeurigheid te kwantificeren.

Oorspronkelijke auteurs: Milin Patel, Rolf Jung

Gepubliceerd 2026-05-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Milin Patel, Rolf Jung

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zelfrijdende auto bestuurt op een regenachtige, mistige landweg. Je probeert een langzame fietser in te halen terwijl er een vrachtwagen uit de tegenrichting nadert. De "ogen" van je auto zijn LiDAR-sensoren, die onzichtbare laserstralen uitzenden om de wereld in kaart te brengen. Maar net als menselijke ogen worstelen in een zware stortbui, raken deze lasers in de war door regen, mist en natte wegen. Ze kunnen een spook zien (een vals alarm) of een echt gevaar missen (een gemiste fietser).

Dit artikel gaat over het leren aan de computer van de auto om te zeggen: "Ik ben niet 100% zeker van wat ik zie, en hier is precies waarom ik het niet zeker weet."

Hier is een eenvoudige uiteenzetting van wat de auteurs hebben gedaan:

1. Het Probleem: Het "Mistige Raam" van Onzekerheid

De auteurs richten zich op een specifiek veiligheidsdoel genaamd SOTIF (Safety of the Intended Functionality). Zie SOTIF als de belofte van de auto om veilig te blijven, zelfs wanneer de verkeersregels vreemd worden of de sensoren in de war raken.

Het probleem is dat LiDAR-sensoren fouten maken door twee soorten "mist":

De Weermist (Aleatorisch): Dit is de regen, het natte wegdek en de daadwerkelijke mist buiten. De auto kan dit niet controleren; het gebeurt gewoon.
De Kennismist (Epistemisch): Dit zijn de eigen beperkingen van de auto. Misschien heeft zijn "hersenen" (het AI-model) niet genoeg regenachtige dagen gezien tijdens de training, of is de sensor gewoon niet perfect.

2. De Oplossing: Een Nieuwe Manier om "Misschien" Te Tellen

Meestal gebruiken computers standaardwiskunde (zoals het gooien van een munt) om kansen te schatten. Maar als je niet genoeg data hebt, is een muntworp een slechte schatting.

In plaats daarvan gebruikten de auteurs een speciaal wiskundig hulpmiddel genaamd Dempster-Shafer Theorie (DST).

De Analogie: Stel je voor dat je een detective bent die een misdaad probeert op te lossen.
- Standaardwiskunde zegt: "Er is 60% kans dat de butler het gedaan heeft."
- DST zegt: "Ik heb wat bewijs dat naar de butler wijst, wat bewijs dat naar de tuinman wijst, en een grote stapel bewijs dat gewoon zegt 'Ik weet het nog niet'. Ik kan al deze mogelijkheden tegelijk openhouden zonder gedwongen te worden tot één enkel antwoord."

Dit is perfect voor zelfrijdende auto's omdat het het systeem toelaat om toe te geven: "Ik ben het niet zeker," in plaats van een riskante gok te maken.

3. De Kaart: De Punten Meten

De auteurs bouwden een kaart (een DAG genaamd) om te laten zien hoe verschillende problemen met elkaar verbonden zijn.

Regen maakt het wegdek nat.
Een nat wegdek zorgt ervoor dat de laserstralen vreemd kaatsen.
Vreemde kaatsingen brengen de sensor in de war.
Een in de war geraakte sensor maakt het AI-brein minder zeker over waar de fietser is.

Ze gebruikten deze kaart om te traceren hoe een beetje regen kan uitgroeien tot een groot veiligheidsrisico.

4. Het Experiment: De "Landweg"-Test

Ze testten dit op een specifiek scenario: een auto die 60 km/u rijdt en probeert een fietser in te halen op een smalle, regenachtige weg met een vrachtwagen die uit de tegenrichting nadert.

Ze vroegen het systeem om vier mogelijke uitkomsten te identificeren:

Ik zie de fietser correct.
Ik zie de vrachtwagen correct.
Ik mis de fietser (Valse Negatief).
Ik zie een fietser waar er geen is (Valse Positief).

Met behulp van hun speciale wiskunde (DST) combineerden ze alle verwarrende signalen (regen, mist, natte wegen) om te zien hoeveel het vertrouwen van de auto daalde.

5. De Resultaten: Wat Maakt Het Meest Uit?

Door een "gevoeligheidsanalyse" uit te voeren (in feite een stress-test), ontdekten ze welke factoren de grootste veroorzakers van problemen waren:

De Grote Boze: Regenintensiteit en de kwaliteit van de sensor waren de grootste oorzaken van onzekerheid. Als het hard regent, zakt het vertrouwen van de auto in elkaar.
De Gemiddelde Last: Natte wegen en ruis in de data waren ook significant.
De Kleine Nuisance: Mistdichtheid en signaalspreiding waren minder kritiek dan regen, maar waren nog steeds van belang.

6. De Oplossing: Hoe Het Veiliger Te Maken

Op basis van hun bevindingen stellen de auteurs drie hoofdmanieren voor om het probleem op te lossen:

Slimmere Software: Creëer algoritmen die automatisch aanpassen wanneer het begint te regenen, ongeveer zoals de ruitenwissers van je auto sneller gaan als de regen zwaarder wordt.
Schonere Data: Gebruik betere tools om de "ruis" (statische elektriciteit) uit de sensordata te filteren, zodat de auto een duidelijker beeld ziet.
Betere Training: Leer de AI door hem duizenden gesimuleerde regen- en mistdagen te tonen, zodat hij leert wat hij kan verwachten voordat hij ooit een echte storm tegenkomt.

Samenvatting

Dit artikel bedenkt geen nieuwe sensor of een nieuwe auto. In plaats daarvan bedenkt het een nieuwe manier om na te denken over onzekerheid. Het geeft de zelfrijdende auto een vocabulaire om te zeggen: "Ik zie een fietser, maar omdat het hard regent, ben ik maar 70% zeker, en hier is de wiskunde om dat te bewijzen." Dit helpt ingenieurs precies te weten waar ze hun inspanningen moeten richten om autonoom rijden bij slecht weer veiliger te maken.

Technische Samenvatting: Representatie van Onzekerheid in een SOTIF-gerelateerd Gebruiksscenario met Dempster-Shafer-theorie voor LiDAR-sensorgebaseerde Objectdetectie

Probleemstelling
De veiligheid van beoogde functionaliteit (SOTIF) in geautomatiseerde rijsystemen (ADS) vereist het aanpakken van gevaren die voortvloeien uit functionele ontoereikendheid, met name in omgevingen met onvoorspelbare omstandigheden waar operationele parameters slecht gedefinieerd zijn. LiDAR-gebaseerde objectdetectie, hoewel cruciaal voor 3D-omgevingsperceptie, is vatbaar voor aanzienlijke onzekerheid veroorzaakt door omgevingsvariabiliteit (bijv. regen, mist) en beperkingen in sensorprestaties. Deze onzekerheden manifesteren zich zowel als aleatorisch (inherent omgevingsvariabiliteit) als epistemisch (systeemkennis/modelbeperkingen). Bestaande methoden worstelen vaak met het representeren van deze onzekerheden zonder te vertrouwen op bevooroordeelde a priori-kansen of zonder rekening te houden met tegenstrijdige bewijzen. Dit artikel adresseert de behoefte aan een systematische aanpak om deze onzekerheden te identificeren, te classificeren en te representeren om de betrouwbaarheid van ADS-perceptiefuncties te waarborgen.

Methodologie
De auteurs stellen een gestructureerde workflow voor om onzekerheid te modelleren binnen een specifiek SOTIF-gerelateerd gebruiksscenario: een met LiDAR uitgerust voertuig dat een tweebaans landweg navigeert bij slecht weer (regen en mist) terwijl het interactie heeft met een fietser en een tegemoetkomende vrachtwagen.

Identificatie en Mapping van Onzekerheid:
- Bronnen van onzekerheid worden gecategoriseerd in aleatorisch (bijv. regenintensiteit, mistdichtheid, natte wegcondities, signaalspreiding) en epistemisch (bijv. kwaliteit van training van deep learning-modellen, sensorbeperkingen).
- Afhankelijkheden tussen deze bronnen worden in kaart gebracht met behulp van een Directed Acyclic Graph (DAG), die illustreert hoe omgevingsfactoren (zoals regen) tussenliggende toestanden beïnvloeden (natte wegen, signaalspreiding) die uiteindelijk de detectienauwkeurigheid beïnvloeden.
Dempster-Shafer-theorie (DST) Kader:
- Frame of Discernment (FoD): Gedefinieerd als $\Theta = \{\theta_1, \theta_2, \theta_3, \theta_4\}$ , wat vier detectie-uitkomsten vertegenwoordigt: detectie van een fietser, detectie van een vrachtwagen, false negative (object aanwezig maar niet gedetecteerd) en false positive (onjuiste detectie).
- Basis Kansen Toewijzingen (BPAs): Conditionele BPAs worden toegewezen aan deelverzamelingen van het FoD op basis van de toestanden van geïdentificeerde onzekerheidsbronnen (bijv. lage/middelhoge/hoge regenintensiteit). Deze worden afgeleid van simulatiegegevens om zowel aleatorische als epistemische onzekerheden te vangen.
- Combinatie van Bewijs: Om te handelen met tegenstrijdig bewijs van meerdere bronnen (bijv. wanneer één bron een hoge detectiekans suggereert terwijl een andere een hoge kans op ruis suggereert), hanteert het artikel Yagers Combinatieregel. In tegenstelling tot Demsters regel, herschikt Yagers regel het tegenstrijdige gewicht naar de universele verzameling $\Theta$ zonder normalisatie, waardoor informatie over onwetendheid en conflict in complexe systemen behouden blijft.
- Kwantificering: De onzekerheid voor elke bron wordt gekwantificeerd met behulp van het interval tussen de Belief ($Bel$) en Plausibility ($Pl$) functies. Het verschil $U(A) = Pl(A) - Bel(A)$ dient als maatstaf voor het niveau van onzekerheid.
Sensitiviteitsanalyse en Mitigatie:
- Variance-Based Sensitivity Analysis (VBSA): Toegepast om de bijdrage van elke onzekerheidsbron aan de totale variantie in detectieprestaties te kwantificeren (specifiek in $Bel$- en $Pl$-waarden).
- Prioritering: Bronnen worden geclassificeerd in lage, gemiddelde en hoge impactcategorieën op basis van de grootte van hun onzekerheidsintervallen en variantiebijdragen.
- Mitigatiestrategieën: Specifieke maatregelen worden voorgesteld op basis van de geïdentificeerde bronnen met hoge impact.

Belangrijkste Bijdragen
Het artikel levert twee primaire bijdragen:

Systematische Aanpak: Het presenteert een gestructureerde methodologie voor het identificeren, classificeren en representeren van onzekerheden in LiDAR-gebaseerde objectdetectie, specifiek binnen een SOTIF-context.
DST-toepassing: Het demonstreert de toepassing van Dempster-Shafer-theorie om deze onzekerheden te beheren. In tegenstelling tot eerdere werken die zich richtten op prestatiebeoordeling, verschuift deze studie de focus naar onzekerheidsrepresentatie om gerichte mitigatiestrategieën te ontwikkelen. Het gebruik van Yagers regel wordt benadrukt als een mechanisme om conflicten op te lossen zonder een enkele probabilistische uitkomst af te dwingen, wat cruciaal is wanneer bewijs tegenstrijdig of ontoereikend is.

Resultaten

Kwantificering van Onzekerheid: De toepassing van DST onthulde dat bepaalde omgevingsfactoren de detectiebetrouwbaarheid aanzienlijk verminderen. Zo bleek bijvoorbeeld dat regenintensiteit de kans op False Positives verhoogt, terwijl mistdichtheid en signaalspreiding correleren met een toename van False Negatives.
Impactclassificatie: Met behulp van de $Pl - Bel$-maatstaf werden onzekerheidsbronnen gecategoriseerd:
- Hoge Impact: Regenintensiteit, LiDAR-sensorprestaties en oppervlaktetype.
- Gemiddelde Impact: Natte wegcondities, ruis in LiDAR-gegevens, kwaliteit van DL-modeltraining en objectnabijheid.
- Lage Impact: Mistdichtheid, spreiding van LiDAR-signalen en variabiliteit in reflectie.
Sensitiviteitsanalyse: VBSA-resultaten gaven aan dat regenintensiteit en spreiding van LiDAR-signalen de hoogste variantie in detectieprestaties genereren, gevolgd door natte wegcondities en sensorprestaties.
Mitigatievoorstellen: Op basis van deze bevindingen stellen de auteurs voor:
- Het ontwikkelen van adaptieve algoritmen om zich aan te passen aan wisselende weersomstandigheden.
- Het toepassen van ruisreductietechnieken om omgevingsinterferentie te minimaliseren.
- Het uitbreiden van trainingsdatasets met gesimuleerde data van extreme weersomstandigheden om modelgeneralisatie te verbeteren.

Betekenis en Beperkingen
Het artikel claimt betekenis door een gestructureerd kader te bieden om te evalueren hoe onzekerheden de detectienauwkeurigheid beïnvloeden, verder gaand dan eenvoudige prestatie-indicatoren naar een diepere analyse van waarom prestaties variëren. Door gebruik te maken van DST, pleiten de auteurs voor een genuanceerdere representatie van onzekerheid die zowel gebrek aan kennis (epistemisch) als inherent variabiliteit (aleatorisch) omvat, zonder dat moeilijk te rechtvaardigen a priori-kansen nodig zijn.

De auteurs erkennen nederig enkele beperkingen:

Subjectiviteit: De toewijzing van BPAs behelst een zekere mate van subjectiviteit die vooringenomenheid kan introduceren.
Statische Aard: De huidige analyse is statisch en vangt geen temporele dynamiek, wat kritiek is voor realtime besluitvorming in dynamische omgevingen.
Gevoeligheid voor Aannames: Conclusies zijn gevoelig voor initiële aannames en de specifieke keuze van combinatieregels in DST.

Toekomstig werk wordt voorgesteld om dit statische kader uit te breiden tot een dynamisch kader, waarbij mogelijk temporele modellen zoals Hidden Markov Models (HMM's) of Bayesiaanse netwerken worden geïntegreerd om de propagatie van onzekerheid in de tijd te volgen, en deze modellen te valideren tegen real-world data.