近日，智能车辆团队论文《Learnable Operational Design Condition Monitor for Failure Prediction in Autonomous Driving》在Accident Analysis & Prevention发表。

1 文章摘要

自动驾驶汽车事故往往源于对运行设计条件（ODC）的违反——ODC是预先定义的车辆状态、环境因素和驾驶员能力的运行限制。ODC违反意味着在当前运行场景下，功能故障极有可能即将发生，而故障指的是系统无法达到指定的性能阈值或维持安全关键约束。因此，在系统运行过程中设计并持续监控ODC的边界状态，是防止系统故障、确保运行安全并减少自动驾驶汽车事故的关键要务。然而，现有的ODC监控方法主要依赖一阶逻辑检查表，无法捕捉参数交互所产生的突发风险。为此，本文构建了一个端到端的方法框架，用于构建名为ODCNet的可学习ODC监控器，以实现故障预测。该架构首先将运行状态投影到统一的潜在表示中，然后通过神经推理得出概率边界估计，最后通过混合高斯过程回归校准残差。此外，一种自适应主动学习机制通过对高不确定性场景的针对性测试，持续提高边界精度。通过交叉路口、车道保持和车辆检测案例研究进行的验证，证明了该ODC监控器在事故发生前的故障预测性能。

2 主要贡献

1) 提出了一个利用机器学习模型来学习隐含ODC边界的完整框架，并设计了一种闭环主动学习策略，借助自动驾驶系统（ADS）的测试记录来持续优化ODC监控器。

2) 提出了ODCNet作为一种适用于多源ODC状态的高效监控模型。实验结果表明，与现有的表格分类器相比，该模型具有更优异的分类性能。

3) 开发了一种残差分析方法，通过对残差采用线性判别分析来校准预测结果，从而实现更稳健、更准确的预测。

3 论文作者

许皓玮、边有钢、李洋、秦洪懋、周汉楚、常方容、王少飞、叶青

4 论文链接

https://doi.org/10.1016/j.aap.2025.108139

---