⚡ electrical engineering

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

本文提出了一种符合 SOTIF 要求的激光雷达目标检测系统框架，该框架利用 D-S 理论与 Yager 规则对不确定性来源进行建模与融合，同时采用基于方差的敏感性分析来量化这些不确定性来源对检测精度的具体影响。

原作者： Milin Patel, Rolf Jung

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Milin Patel, Rolf Jung

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你正驾驶一辆自动驾驶汽车，行驶在一条雨雾弥漫的乡间小路上。你试图超越一名缓慢骑行的自行车手，而对面正有一辆卡车驶来。汽车的“眼睛”是激光雷达（LiDAR）传感器，它们发射不可见的激光束来绘制世界地图。但就像人类的眼睛在暴雨中会视物困难一样，这些激光束也会因雨水、雾气和湿滑路面而陷入混乱。它们可能会看到“幽灵”（误报），或者漏掉真正的危险（漏掉自行车手）。

本文旨在教导汽车的计算机学会这样说：“我不完全确定我看到了什么，而且我可以确切地说明为什么我不确定。”

以下是作者所做工作的简要分解：

1. 问题：不确定性的“雾窗”

作者聚焦于一个特定的安全目标，称为SOTIF（预期功能安全）。可以将 SOTIF 理解为汽车的一项承诺：即使道路规则变得怪异或传感器陷入混乱，汽车也能保持安全。

问题在于，激光雷达传感器会因两种类型的“雾”而犯错：

天气之雾（偶然性不确定性）： 这是指外面的雨水、湿滑路面和实际的雾气。汽车无法控制这些；它们只是发生了。
知识之雾（认知不确定性）： 这是汽车自身的局限性。也许它的“大脑”（AI 模型）在训练中没有见过足够多的雨天，或者传感器本身就不完美。

2. 解决方案：一种计算“可能”的新方法

通常，计算机使用标准数学（如抛硬币）来猜测概率。但如果你没有足够的数据，抛硬币就是一个糟糕的猜测。

相反，作者使用了一种特殊的数学工具，称为Dempster-Shafer 理论（DST）。

类比： 想象你是一名试图侦破案件的侦探。
- 标准数学会说：“有 60% 的可能是管家干的。”
- DST会说：“我有一些证据指向管家，一些证据指向园丁，还有一大堆证据仅仅表示‘我目前还不知道’。我可以同时保留所有这些可能性，而无需强迫得出一个单一的答案。”

这对于自动驾驶汽车来说非常完美，因为它允许系统承认“我不确定”，而不是做出冒险的猜测。

3. 地图：连接各个要点

作者构建了一张地图（称为 DAG），以展示不同问题是如何相互关联的。

雨水使路面变湿。
湿滑的路面使激光束发生奇怪的反射。
奇怪的反射使传感器感到困惑。
困惑的传感器使AI 大脑对自行车手的位置变得不那么确定。

他们利用这张地图追踪了少量的雨水如何演变成重大的安全风险。

4. 实验：“乡间小路”测试

他们在特定场景下测试了这种方法：一辆汽车以 60 公里/小时的速度行驶，试图在一条狭窄、多雨的道路上超越一名自行车手，而对面正有一辆卡车驶来。

他们要求系统识别四种可能的结果：

我正确识别了自行车手。
我正确识别了卡车。
我漏掉了自行车手（假阴性）。
我在没有自行车手的地方看到了自行车手（假阳性）。

利用他们特殊的数学方法（DST），他们结合了所有令人困惑的信号（雨水、雾气、湿滑路面），以观察汽车的置信度下降了多少。

5. 结果：什么最重要？

通过运行“敏感性分析”（基本上是一种压力测试），他们发现了哪些因素是最大的麻烦制造者：

头号大敌： 降雨强度和传感器质量是不确定性的最大成因。如果雨下得很大，汽车的置信度会急剧下降。
中等麻烦： 湿滑路面和数据中的噪声也很重要。
次要干扰： 雾气密度和信号散射虽然不如雨水关键，但依然重要。

6. 修复方案：如何使其更安全

基于他们的发现，作者提出了三种主要的修复方法：

更智能的软件： 创建能够在开始下雨时自动调整的算法，有点像你的汽车雨刮器在雨势变大时会自动加速。
更干净的数据： 使用更好的工具从传感器数据中清除“噪声”（静电干扰），以便汽车能看到更清晰的画面。
更好的训练： 通过向 AI 展示成千上万个模拟的雨天和雾天，让它学会在真正遭遇风暴之前预期会发生什么。

总结

本文并没有发明新的传感器或新的汽车。相反，它发明了一种思考不确定性的新方式。它赋予自动驾驶汽车一种词汇，使其能够说：“我看到了一个自行车手，但因为雨下得很大，我只有 70% 的把握，而且这里有数学证明。”这有助于工程师确切地知道应该将精力集中在何处，以便在恶劣天气下使自动驾驶更安全。

技术摘要：基于 LiDAR 传感器目标检测的 SOTIF 相关用例中利用 Dempster-Shafer 理论的不确定性表示

问题陈述
自动驾驶系统（ADS）的预期功能安全（SOTIF）要求解决因功能不足而产生的危害，特别是在操作参数定义不明确且条件不可预测的环境中。基于 LiDAR 的目标检测对于 3D 环境感知至关重要，但易受环境变化（如降雨、雾）和传感器性能限制引起的显著不确定性影响。这些不确定性表现为随机性（固有的环境变异性）和认知性（系统知识/模型局限性）两种类型。现有方法往往难以在不依赖有偏先验概率或不考虑冲突证据的情况下表示这些不确定性。本文旨在提出一种系统性的方法，以识别、分类和表示这些不确定性，从而确保 ADS 感知功能的可靠性。

方法论
作者提出了一种结构化工作流程，用于在特定的 SOTIF 相关用例中建模不确定性：一辆配备 LiDAR 的车辆在恶劣天气（降雨和雾）下，在与骑行者和迎面而来的卡车交互时，行驶于双车道乡村公路上。

不确定性识别与映射：
- 不确定性来源被归类为随机性（如降雨强度、雾密度、湿滑路面状况、信号散射）和认知性（如深度学习模型训练质量、传感器局限性）。
- 这些来源之间的依赖关系使用有向无环图（DAG）进行映射，阐明了环境因素（如降雨）如何影响中间状态（湿滑路面、信号散射），进而最终影响检测精度。
Dempster-Shafer 理论（DST）框架：
- 辨识框架（FoD）： 定义为 $\Theta = \{\theta_1, \theta_2, \theta_3, \theta_4\}$ ，代表四种检测结果：检测到骑行者、检测到卡车、漏检（物体存在但未检测到）和误检（错误检测）。
- 基本概率分配（BPAs）： 根据已识别的不确定性来源的状态（如低/中/高降雨强度），将条件 BPAs 分配给 FoD 的子集。这些分配源自模拟数据，旨在捕捉随机性和认知性不确定性。
- 证据组合： 为了处理来自多个来源的冲突证据（例如，一个来源表明高检测概率，而另一个来源表明高噪声概率），本文采用Yager 组合规则。与 Dempster 规则不同，Yager 规则将冲突质量重新分配给全集 $\Theta$ 而不进行归一化，从而在复杂系统中保留关于无知和冲突的信息。
- 量化： 每个来源的不确定性使用信度（$Bel $）和似然度（$ Pl $）函数之间的区间进行量化。差值$ U(A) = Pl(A) - Bel(A)$ 作为不确定性水平的度量指标。
敏感性分析与缓解：
- 基于方差的敏感性分析（VBSA）： 应用于量化每个不确定性来源对检测性能总方差（具体指 $Bel $和$ Pl$ 值）的贡献。
- 优先级排序： 根据不确定性区间的幅度和方差贡献的大小，将来源分类为低、中、高影响类别。
- 缓解策略： 根据识别出的高影响来源，提出了具体的措施。

主要贡献
本文做出了两项主要贡献：

系统性方法： 提出了一种结构化的方法论，用于在 SOTIF 背景下识别、分类和表示基于 LiDAR 的目标检测中的不确定性。
DST 应用： 展示了 Dempster-Shafer 理论在管理这些不确定性方面的应用。与以往侧重于性能评估的工作不同，本研究将重点转向不确定性表示，以制定有针对性的缓解策略。Yager 规则的使用被强调为一种在不强制得出单一概率结果的情况下解决冲突的机制，这在证据相互矛盾或不足时至关重要。

结果

不确定性量化： DST 的应用表明，某些环境因素显著降低了检测置信度。例如，降雨强度被发现会增加误检（False Positives）的概率，而雾密度和信号散射则与漏检（False Negatives）的增加相关。
影响分类： 使用 $Pl - Bel$ 指标，不确定性来源被分类如下：
- 高影响： 降雨强度、LiDAR 传感器性能和表面类型。
- 中等影响： 湿滑路面状况、LiDAR 数据中的噪声、DL 模型训练质量和物体距离。
- 低影响： 雾密度、LiDAR 信号散射和反射变异性。
敏感性分析： VBSA 结果表明，降雨强度和LiDAR 信号散射产生的检测性能方差最高，其次是湿滑路面状况和传感器性能。
缓解建议： 基于这些发现，作者提出：
- 开发自适应算法以适应变化的天气条件。
- 应用降噪技术以最大限度地减少环境干扰。
- 利用模拟的极端天气数据扩展训练数据集，以提高模型的泛化能力。

意义与局限性
本文声称其意义在于提供了一个结构化框架，用于评估不确定性如何影响检测精度，从而超越简单的性能指标，深入分析性能变化的原因。通过利用 DST，作者主张一种更细致入微的不确定性表示方法，既能容纳知识缺乏（认知性），又能容纳固有变异性（随机性），而无需依赖难以证明合理的先验概率。

作者谦逊地承认了几个局限性：

主观性： BPAs 的分配涉及一定程度的主观性，这可能会引入偏差。
静态性质： 当前分析是静态的，未捕捉时间动态，而时间动态对于动态环境中的实时决策至关重要。
对假设的敏感性： 结论对初始假设和 DST 中组合规则的具体选择敏感。

未来的工作建议将此静态框架扩展为动态框架，可能整合隐藏马尔可夫模型（HMMs）或贝叶斯网络等时间模型，以追踪随时间推移的不确定性传播，并利用真实世界数据验证这些模型。