📊 statistics

A Graph-based Framework for Coverage Analysis in Autonomous Driving

Dit artikel stelt een graafgebaseerd framework voor de dekkinganalyse van autonoom rijden voor, dat verkeersscènes representeert als hiërarchische grafen en zowel subgraaf-isomorfisme met archetype-matching als GINE-gebaseerde embedding gebruikt om complexe interacties tussen actoren effectief te vangen en de systeemveiligheid te valideren over diverse real-world en synthetische scenario's.

Oorspronkelijke auteurs: Thomas Muehlenstädt, Marius Bause

Gepubliceerd 2026-02-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Thomas Muehlenstädt, Marius Bause

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 robot probeert te leren hoe hij een auto moet besturen. Voordat je hem loslaat op de echte wegen, moet je ervoor zorgen dat hij genoeg heeft geoefend voor elke mogelijke situatie die hij tegen kan komen. Dit wordt coverage analysis (dekkinganalyse) genoemd: controleren of de robot genoeg verschillende soorten verkeer heeft gezien om veilig te zijn.

Het probleem met huidige methoden is dat ze verkeerssituaties meestal één voor één bekijken, zoals het afvinken van items op een boodschappenlijst. Ze controleren bijvoorbeeld eerst "Is er een auto voor me?" en daarna "Is er een auto links van me?" afzonderlijk. Maar echt verkeer is rommelig en onderling verbonden; auto's bestaan niet alleen in isolatie; ze interageren op complexe manieren met elkaar.

Dit artikel stelt een nieuwe manier voor om naar verkeer te kijken: als een levende, ademende kaart van verbindingen.

Het kernidee: Het "sociale netwerk" van het verkeer

In plaats van alleen maar auto's op te sommen, veranderen de auteurs een verkeersscène in een graaf (graph). Denk aan een graaf als een sociaal netwerkdiagram:

De Nodes (Knopen): Dit zijn de actoren—de auto's, voetgangers en fietsers.
De Edges (Lijnen): Dit zijn de relaties tussen hen. Volgt Auto A Auto B? Rijdt Auto C in de tegenovergestelde rijstrook? Is Auto D bezig van rijstrook te wisselen naast Auto E?

De auteurs bouwen deze graaf in twee lagen op:

De Map Layer (Kaartlaag): Dit is de statische weg zelf. Deze weet welke rijstroken met elkaar verbonden zijn, waar kruispunten liggen en welke wegen in tegengestelde richtingen lopen.
De Actor Layer (Actörlaag): Dit is het dynamische verkeer. Dit verbindt de bewegende voertuigen met de kaart en met elkaar op basis van wie er bij wie in de buurt is.

Ze gebruiken een slim "twee-fasen" constructie-algoritme om deze graaf op te bouwen. Stel je een uitsmijter bij een club voor:

Fase 1 (De Scan): De uitsmijter kijkt naar iedereen en noteert iedereen die potentieel relevant is (bijv. "Die auto is 100 meter verderop, misschien is die belangrijk").
Fase 2 (De Filter): De uitsmijter verfijnt vervolgens de lijst. Als Auto A verbonden is met Auto B, en Auto B is verbonden met Auto C, beseft de uitsmijter dat er geen directe lijn getrokken hoeft te worden tussen A en C. De verbinding wordt al geïmpliceerd door B. Dit verwijdert "redundante" lijnen, waardoor het diagram schoon en efficiënt blijft.

Methode 1: De "Patroonmatch" (Subgraph Isomorphism)

Zodra ze deze complexe verkeersgrafen hebben, is de eerste methode die ze gebruiken als een patroonherkenningsspel.

Stel je voor dat je een stapel "Archetype Kaarten" hebt. Elke kaart toont een klassieke verkeerssituatie, zoals "Twee auto's die naast elkaar rijden" of "Een auto die voor een andere auto inhaalt".

Het systeem neemt een echte verkeersscène (een grote, rommelige graaf) en vraagt: "Bevat deze scène een van mijn Archetype Kaarten?"
Het gebruikt een wiskundige truc genaamd subgraph isomorphism om te vinden of het kleine patroon aanwezig is in de grote chaos.
Het resultaat: Ze kunnen zeggen: "In onze testdata hebben we 90% van onze 'Inhaalsituatie'-kaarten gezien, maar slechts 10% van onze 'Complexe Kruispunt'-kaarten." Dit vertelt hen precies waar de gaten in hun trainingsdata zitten.

Methode 2: De "Magische Vertaler" (Graph Embeddings)

De tweede methode is technischer. Het maakt gebruik van een type AI dat een Graph Neural Network wordt genoemd (specifiek een genaamd GINE).

Beschouw deze AI als een universele vertaler die complexe verkeersscènes omzet in eenvoudige coördinaten op een kaart (een vectorruimte).

Als twee verkeersscènes erg op elkaar lijken (bijv. beide bevatten een auto die van rijstrook wisselt op een regenachtige snelweg), vertaalt de AI deze naar punten die heel dicht bij elkaar liggen op deze kaart.
Als twee scènes totaal verschillend zijn, liggen de punten ver uit elkaar.
Het voordeel: Dit stelt de onderzoekers in staat om naar de "vorm" van hun data te kijken. Ze kunnen clusters van vergelijkbare scenario's zien en "lege zones" opsporen waar geen data aanwezig is. Het is also als kijken naar een sterrenkaart en beseffen: "Hé, daar is een enorme donkere plek in de lucht waar geen sterren verschijnen."

Het Experiment: De echte wereld versus Simulatie

Om dit te testen, vergeleken de auteurs twee datasets:

Argoverse 2.0: Real-world data gefilmd door werkelijke zelfrijdende auto's in zes Amerikaanse steden.
CARLA: Een computersimulator die nepverkeersscènes genereert.

Ze draaiden hun graaf-framework op beide en vonden enkele interessante "coverage gaps" (dekkingstekorten):

De ontbrekende kruispunten: De simulator (CARLA) was goed in eenvoudig snelwegverkeer (auto's die elkaar volgen), maar was slecht in complexe stadskruispunten. Het miste veel van de "meerdere auto's dansscenario's" die in het echte leven voorkomen.
De Snelheidsgap: Zelfs wanneer de simulator wel een scenario had dat op een echt scenario leek, waren de snelheden vaak fout. De simulator legde de specifieke snelheden van auto's in bepaalde situaties niet goed vast.
De Combinatiegap: Echt verkeer heeft vaak meerdere dingen tegelijkertijd aan de gang (bijv. een auto die een andere auto volgt terwijl er een kruispunt-situatie plaatsvindt). De simulator genereerde deze complexe combinaties zelden.

Waarom dit ertoe doet

De auteurs concluderen dat hun graaf-gebaseerde framework een krachtig hulpmiddel is omdat:

Het schaalbaar is: Het maakt niet uit of er 2 auto's of 20 auto's in de scène zijn; de graaf gaat hier op natuurlijke wijze mee om.
Het efficiënt is: Het heeft geen aangepaste regel nodig voor elk type ongeluk of scenario. Het kijkt simpelweg naar de verbindingen.
Het het onzichtbare vindt: Het kan niet alleen ontbrekende scenario's opsporen, maar ook ontbrekende combinaties van scenario's en subtiele verschillen in gedrag (zoals snelheid).

Kortom, ze hebben een nieuwe manier gebouwd om verkeer te "zien" die het behandelt als een verbonden web van relaties in plaats van een lijst met geïsoleerde objecten, wat ingenieurs helpt om precies te vinden waar de training van hun zelfrijdende auto tekortschiet.

Technische Samenvatting: Een graafgebaseerd framework voor dekkingsanalyse in autonoom rijden

Probleemstelling
Het valideren van de veiligheid van autonome rij-systemen vereist een rigoureuze dekkingsanalyse om te waarborgen dat het systeem is getest over de gehele Operationele Design Domain (ODD). Bestaande benaderingen beoordelen dekkingsfactoren doorgaans individueel of in beperkte combinaties (bijv. 2–3 factoren), waardoor ze moeite hebben met het vastleggen van de complexe, hoogdimensionale interacties die inherent zijn aan realistische verkeersscènes. Bov�eldertraditionele methoden vertrouwen vaak op willekeurige bemonstering of vereisen scenario-specifieke afhandelingsregels die niet efficiënt schalen naar diverse verkeersomstandigheden. Er is behoefte aan een framework dat verkeersscènes systematisch kan representeren, complexe interacties tussen actoren kan vastleggen en schaalbare dekkingsmetrieken kan bieden zonder handmatige, gevalsspecifieke definitie van elk mogelijk scenario.

Methodologie
Het artikel stelt een graafgebaseerd framework voor dat verkeersscènes representeert als hiërarchische grafen, waarbij de statische kaarttopologie wordt geïntegreerd met dynamische relaties tussen actoren. De methodologie bestaat uit drie kerncomponenten:

Hiërarchische Graafconstructie:
- Kaartgraaf: Een gerichte multigraaf ( $G_{map}$ ) codeert het wegennetwerk, waarbij knopen landsegmenten representeren en zijden ruimtelijke relaties (volgen, buur, tegenovergesteld) representeren.
- Actorgraaf: Een tweefasig algoritme construeert de dynamische graaf ( $G_{actor}$ $G_{a c t or}$ ) voor specifieke tijdstappen.
  - Fase 1 (Relatieontdekking): Identificeert potentiële relaties tussen actorparen op basis van afstandsdrempels en de connectiviteit van de kaart. Relaties omvatten leading/following (voorop/achterop), neighbor (buur) en opposite (tegenovergesteld) configuraties.
  - Fase 2 (Hiërarchische Constructie): Bouwt de uiteindelijke graaf door zijden toe te voegen in een prioriteitsvolgorde (Leading/Following > Neighbor > Opposite) terwijl redundantie wordt voorkomen. Als er al een pad bestaat tussen twee actoren binnen een gedefinieerde knoop-afstandslimiet, wordt er geen directe zijde toegevoegd. Dit zorgt ervoor dat de graaf computationeel hanteerbaar blijft terwijl de noodzakelijke connectiviteit behouden blijft.
- Temporele Extensie: Het framework ondersteunt tijd-geïndexeerde grafen waarbij zijden tijd-afhankelijk zijn, wat de representatie van veranderende toestanden (bijv. rijstrookwisselingen) mogelijk maakt en de afhandeling van actoren die verschijnen of verdwijnen faciliteert.
Dekkingsanalyse via Subgraaf-isomorfisme:
- Deze bottom-up benadering definieert een set handmatig samengestelde "archetype"-grafen die veelvoorkomende rijscenario's representeren (bijv. ongebreidelde linksafslag, cut-ins, platoons).
- Met behulp van het VF2-algoritme controleert het systeem of een subgraaf van een verkeersscène-graaf isomorf is aan deze archetypen.
- Dit maakt het mogelijk om het percentage knoopdekking te berekenen en co-occurrence patronen (welke archetypen samen voorkomen) en parametrische distributies (snelheid, padlengte) binnen specifieke scenario-typen te analyseren.
Dekkingsanalyse via Graaf-embeddings:
- Deze top-down benadering maakt gebruik van Graph Isomorphism Networks met Edge-features (GINE) om verkeersscène-grafen te projecteren in een continue vectorruimte.
- Het model wordt getraind middels self-supervised contrastieve leerprocessen op mini-batches van grafen. Data-augmentatie vindt plaats door continue attributen (snelheid, padlengte) te verstoren en willekeurig zijden te verwijderen.
- De resulterende embeddings maken mogelijkheid tot dekkingsevaluatie op basis van gelijkenis, clustering en anomaliedetectie zonder dat expliciete scenario-definities nodig zijn.

Belangrijkste Bijdragen

Verenigde Graafrepresentatie: Een nieuw framework dat kaarttopologie en actorrelaties combineert in één hiërarchische graafstructuur, specifiek ontworpen voor dekkingsanalyse.
Tweefasig Constructie-algoritme: Een systematische methode om ruimtelijke relaties vast te leggen terwijl redundante zijden worden voorkomen, wat de schaalbaarheid naar scènes met variërende aantallen actoren garandeert.
Dual-Mode Analyse: De integratie van twee complementaire methoden:
- Subgraaf-isomorfisme: Biedt interpreteerbare, fijnmazige dekkingsmetrieken tegen vooraf gedefinieerde archetypen.
- Graaf-embeddings: Biedt een schaalbare, unsupervised methode voor gelijkenis-beoordeling en anomaliedetectie.
Gap-analyse Framework: Een gestructureerde aanpak voor het identificeren van "definitiegaten" (dekkingstekorten) door structurele aanwezigheid, parametrische distributies en co-occurrence patronen tussen datasets te vergelijken.

Resultaten
Het framework werd gevalideerd met behulp van real-world data uit de Argoverse 2.0 dataset en synthetische data uit de CARLA simulator (Town01–07).

Subgraaf-isomorfisme Resultaten:
- De algehele knoopdekking over beide datasets was 62%.
- Significante structurele gaten werden geïdentificeerd: CARLA ondervertegenwoordigt complexe scenario's met meerdere actoren bij kruispunten (bijv. "cut-out" bij kruispunten kwam voor in 8,2% van de Argoverse scènes versus 0,3% in CARLA).
- Parametrische analyse toonde aan dat zelfs wanneer structurele archetypen aanwezig waren, CARLA vaak faalde in het dekken van specifieke snelheidsbereiken die gebruikelijk zijn in real-world data (bijv. matige- tot hoge snelheden bij rijstrookwisselingen).
- Co-occurrence analyse toonde aan dat CARLA een gebrek had aan realistische combinaties van archetypen, zoals simultane following en overtaking manoeuvres.
Graaf-embedding Resultaten:
- Het GINE-model slaagde erin om verkeersscènes te projecteren in een latente ruimte waar de Euclidische afstand correleerde met de scène-gelijkenis.
- Dimensiereductie (PCA en t-SNE) visualiseerde duidelijke clusters voor CARLA en Argoverse scenario's, wat bevestigde dat het model in staat was om de datasets van elkaar te onderscheiden en verschillende simulatie-omgevingen in kaart te brengen.
- De embeddings toonden het vermogen aan om structurele en parametrische verschillen te detecteren zonder expliciete subgraaf-matching, wat hun bruikbaarheid voor schaalbare dekkingsbeoordeling ondersteunt.

Betekenis en Claims
Het artikel claimt dat het voorgestelde framework significante voordelen biedt ten opzien van traditionele dekkingsanalyse methoden:

Schaalbaarheid: Het schaalt efficiënt naar diverse verkeersscenario's zonder dat scenario-specifieke afhandelingsregels of handmatige definitie van elk testgeval nodig is.
Flexibiliteit: Het huisvest op natuurlijke wijze variërende aantallen actoren in een scène, waardoor het niet nodig is om deelnemers uit te sluiten of zich te richten op willekeurige subsets.
Complementariteit: Door de interpreteerbaarheid van subgraaf-isomorfisme te combineren met de schaalbaarheid van graaf-embeddings, biedt het framework een robuust instrument voor het identificeren van dekkingstekorten in zowel structurele als parametrische dimensies.
Validatie Nut: De aanpak vestigt een methode om te verifiëren of synthetische simulatiegegevens (zoals CARLA) de distributie van real-world data (zoals Argoverse) adequaat dekken, wat bruikbare inzichten biedt voor het verbeteren van simulatie-gebaseerde testpipelines.

De auteurs merken op dat hoewel het huidige werk steunt op handmatig gedefinieerde archetypen, toekomstig werk zal onderzoeken hoe deze archetypen automatisch uit real-world data kunnen worden geëxtraheerd en hoe temporele informatie in de graafstructuur kan worden geïntegreerd.