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

Resumo Técnico: Representação de Incerteza em um Caso de Uso Relacionado ao SOTIF com a Teoria de Dempster-Shafer para Detecção de Objetos Baseada em Sensor LiDAR

Declaração do Problema
A segurança da funcionalidade pretendida (SOTIF) em sistemas de condução automatizada (ADS) exige a abordagem de perigos decorrentes de insuficiências funcionais, particularmente em ambientes com condições imprevisíveis onde os parâmetros operacionais são mal definidos. A detecção de objetos baseada em LiDAR, embora crítica para a percepção ambiental 3D, é suscetível a incertezas significativas causadas pela variabilidade ambiental (por exemplo, chuva, neblina) e limitações de desempenho do sensor. Essas incertezas manifestam-se tanto como tipos aleatórios (variabilidade ambiental inerente) quanto epistêmicos (limitações do conhecimento do modelo/sistema). Os métodos existentes frequentemente lutam para representar essas incertezas sem depender de probabilidades a priori enviesadas ou falhar em contabilizar evidências conflitantes. Este artigo aborda a necessidade de uma abordagem sistemática para identificar, classificar e representar essas incertezas, a fim de garantir a confiabilidade das funções de percepção dos ADS.

Metodologia
Os autores propõem um fluxo de trabalho estruturado para modelar a incerteza dentro de um caso de uso específico relacionado ao SOTIF: um veículo equipado com LiDAR navegando em uma estrada rural de duas faixas em condições climáticas adversas (chuva e neblina) enquanto interage com um ciclista e um caminhão em sentido contrário.

1. Identificação e Mapeamento de Incerteza:

   • As fontes de incerteza são categorizadas em aleatórias (por exemplo, intensidade da chuva, densidade da neblina, condições de pista molhada, espalhamento de sinal) e epistêmicas (por exemplo, qualidade do treinamento de modelos de aprendizado profundo, limitações do sensor).
   • As dependências entre essas fontes são mapeadas usando um Grafo Acíclico Direcionado (DAG), ilustrando como fatores ambientais (como chuva) influenciam estados intermediários (pistas molhadas, espalhamento de sinal) que, por fim, afetam a precisão da detecção.

2. Estrutura da Teoria de Dempster-Shafer (DST):

   • Quadro de Discernimento (FoD): Definido como $\Theta = \{\theta_1, \theta_2, \theta_3, \theta_4\}$, representando quatro resultados de detecção: detecção de um ciclista, detecção de um caminhão, falso negativo (objeto presente mas não detectado) e falso positivo (detecção incorreta).
   • Atribuições de Probabilidade Básica (BPAs): BPAs condicionais são atribuídas a subconjuntos do FoD com base nos estados das fontes de incerteza identificadas (por exemplo, intensidade da chuva baixa/média/alta). Estas são derivadas de dados de simulação para capturar tanto incertezas aleatórias quanto epistêmicas.
   • Combinação de Evidências: Para lidar com evidências conflitantes de múltiplas fontes (por exemplo, quando uma fonte sugere alta probabilidade de detecção enquanto outra sugere alta probabilidade de ruído), o artigo emprega a Regra de Combinação de Yager. Diferentemente da regra de Dempster, a regra de Yager redistribui a massa conflitante para o conjunto universal $\Theta$ sem normalização, preservando informações sobre ignorância e conflito em sistemas complexos.
   • Quantificação: A incerteza para cada fonte é quantificada usando o intervalo entre as funções de Crença ($Bel$) e Plausibilidade ($Pl$). A diferença $U(A) = Pl(A) - Bel(A)$ serve como uma métrica para o nível de incerteza.

3. Análise de Sensibilidade e Mitigação:

   • Análise de Sensibilidade Baseada em Variância (VBSA): Aplicada para quantificar a contribuição de cada fonte de incerteza para a variância total no desempenho de detecção (especificamente nos valores de $Bel$e$Pl$).
   • Priorização: As fontes são classificadas nas categorias de Impacto Baixo, Moderado e Alto com base na magnitude de seus intervalos de incerteza e contribuições de variância.
   • Estratégias de Mitigação: Medidas específicas são propostas com base nas fontes de alto impacto identificadas.

Principais Contribuições
O artigo faz duas contribuições primárias:

1. Abordagem Sistemática: Apresenta uma metodologia estruturada para identificar, classificar e representar incertezas na detecção de objetos baseada em LiDAR, especificamente dentro de um contexto SOTIF.
2. Aplicação da DST: Demonstra a aplicação da Teoria de Dempster-Shafer para gerenciar essas incertezas. Diferentemente de trabalhos anteriores focados na avaliação de desempenho, este estudo desloca o foco para a representação de incerteza a fim de desenvolver estratégias de mitigação direcionadas. O uso da regra de Yager é destacado como um mecanismo para resolver conflitos sem forçar um único resultado probabilístico, o que é crucial quando as evidências são contraditórias ou insuficientes.

Resultados

• Quantificação de Incerteza: A aplicação da DST revelou que certos fatores ambientais degradam significativamente a confiança na detecção. Por exemplo, a intensidade da chuva foi encontrada aumentando a probabilidade de Falsos Positivos, enquanto a densidade da neblina e o espalhamento de sinal correlacionaram-se com o aumento de Falsos Negativos.
• Classificação de Impacto: Usando a métrica $Pl - Bel$, as fontes de incerteza foram categorizadas:
  • Alto Impacto: Intensidade da chuva, desempenho do sensor LiDAR e tipo de superfície.
  • Impacto Moderado: Condições de pista molhada, ruído nos dados do LiDAR, qualidade do treinamento do modelo de DL e proximidade do objeto.
  • Baixo Impacto: Densidade da neblina, espalhamento de sinais LiDAR e variabilidade de reflexão.
• Análise de Sensibilidade: Os resultados da VBSA indicaram que a intensidade da chuva e o espalhamento de sinais LiDAR geram a maior variância no desempenho de detecção, seguidos pelas condições de pista molhada e desempenho do sensor.
• Propostas de Mitigação: Com base nessas descobertas, os autores propõem:
  • Desenvolver algoritmos adaptativos para ajustar-se a condições climáticas variáveis.
  • Aplicar técnicas de redução de ruído para minimizar interferências ambientais.
  • Expandir conjuntos de dados de treinamento com dados de clima extremo simulados para melhorar a generalização do modelo.

Significância e Limitações
O artigo reivindica significância ao fornecer uma estrutura estruturada para avaliar como as incertezas afetam a precisão da detecção, indo além de métricas de desempenho simples para uma análise mais profunda do porquê o desempenho varia. Ao utilizar a DST, os autores argumentam por uma representação mais matizada da incerteza que acomoda tanto a falta de conhecimento (epistêmica) quanto a variabilidade inerente (aleatória) sem exigir probabilidades a priori difíceis de justificar.

Os autores modestamente reconhecem várias limitações:

• Subjetividade: A atribuição de BPAs envolve um grau de subjetividade que pode introduzir viés.
• Natureza Estática: A análise atual é estática e não captura dinâmicas temporais, que são críticas para a tomada de decisão em tempo real em ambientes dinâmicos.
• Sensibilidade a Suposições: As conclusões são sensíveis a suposições iniciais e à escolha específica de regras de combinação na DST.

Trabalhos futuros são sugeridos para estender essa estrutura estática para uma dinâmica, potencialmente integrando modelos temporais como Modelos Ocultos de Markov (HMMs) ou Redes Bayesianas para rastrear a propagação de incerteza ao longo do tempo, e validando esses modelos contra dados do mundo real.