Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 이상적인 센싱에 의존하는 기존 SIL 시뮬레이션의 한계를 극복하기 위해 인지 기반 폐루프 시뮬레이션 프레임워크를 제안합니다. 인과적 확률 모델을 통합하여 안개나 비와 같은 환경 조건에서 발생하는 현실적인 인지 오류를 체계적으로 주입하고 검증합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기Software-in-the-loop (SIL) 시뮬레이션은 현대 자동차 안전 기능의 검증을 위한 초석입니다. 그러나 현재의 많은 프레임워크는 이상적인 센싱 (ideal sensing)을 활용하고 있으며, 이는 인지 (perception) 알고리즘의 기능적 불충분함을 우회하여 지나치게 낙관적인 안전 평가로 이어집니다. 본 논문은 Ground-truth 시뮬레이션과 실제 세계의 인지 동작 사이의 간극을 메우는 인지 기반 (perception-informed) SIL 테스트 방법론을 제안합니다. 우리는 첨단 운전자 보조 시스템 (ADAS) 및 자율주행 시스템 (ADS) 모두에 적용 가능한, 표준화된 시나리오 기반 시뮬레이션 툴체인에 인과적 확률 모델 (causal probabilistic models)을 통합하는 프레임워크를 제시합니다. 우리의 접근 방식은 안개, 비, 객체 병합 (object-merging) 시나리오와 같은 물리적 트리거 조건으로부터 유도된 탐지 상실 (loss of detection), 크기 부정확성 (sizing inaccuracies), 위치 오프셋 (positioning offsets)과 같은 현실적인 인지 오류를 체계적으로 주입할 수 있게 합니다. 표준화된 시뮬레이션 환경 내에서 이러한 "결함 (faults)"을 평가함으로써, 우리는 인지 기반 테스트가 이상적인 SIL 환경에서는 포착하지 못하는 잠재적인 운영 리스크를 드러낸다는 것을 입증하며, 이는 SOTIF (ISO 21448) 검증을 위한 확장 가능한 경로를 제공합니다.