本文介绍了两个关键贡献，即 SOTIF 时间错误和故障模型（STEAM）和基于模型的故障与错误的 SOTIF 分析方法（MoSAFE）。STEAM 是 SOTIF 因果模型的细化，提供了系统设计的全面视角。MoSAFE 方法允许基于系统设计模型实例化 STEAM，通过最弱前提推理从车辆级别的危险行为中推导出模块级别的危险错误序列模式。最后，本文通过一个自动速度控制功能的案例研究，展示了改进模型和 MoSAFE 方法在应对驾驶自动化系统的复杂安全挑战中的实际适用性。

Dec, 2023

通过研究 2021 年加利福尼亚州机动车辆管理局发布的自动驾驶汽车脱离控制报告和公开道路测试视频，本研究旨在制定一种通用架构设计模式 (Daruma)，用于改善功能不足 (FIs) 的缓解，并促进自动驾驶系统的快速商业部署。

Apr, 2024

本文研究了如何解决自动驾驶汽车面临的产品责任问题，探讨了符合安全标准的制造方法，并提出了一种基于安全风险的集成驾驶策略，以实现更加安全自然的人车协同行驶。

Nov, 2022

本文提出了基于生存分析考虑的概率情况风险模型，并将其扩展到自然地结合感性、时间和行为不确定性的真实场景。结果风险点检测器 (RSD) 应用于真实驾驶数据，显示了路面重要性地图，相较于 Time Headway (TH) 和 Time-To-Contact (TTC), 我们的方法在预测风险方面更具有选择性和特异性。

Mar, 2023

本文提出了一种基于仿真的方法，以回答一个关键问题：感知系统的性能是否足以让决策系统做出强有力的、安全的决策，同时还展示了如何分析不同类型的感知误差对自主系统行为的影响。

Jan, 2020

该研究探讨了自主驾驶汽车中目标检测算法的可靠性问题，提出一种设计在线指标以准确评估目标检测算法的可信度的方法，并采用现实的图像扰动对各种量化指标进行评估。

Dec, 2021

自动驾驶车辆的风险评估是一项具有挑战性的任务，本文提出了一种基于数据驱动的框架，通过对 “不当行为” 道路用户的对照模拟来比较不同自动驾驶车辆在不同操作设计领域的风险。引入了反事实安全余量的概念，用于表示最小偏差与正常行为之间可能导致碰撞的关系，展示了该方法在未知行为策略下仍可适用，从而有助于第三方风险评估，并在自动驾驶车辆供应商之间的相对风险方面提供了洞察。

Aug, 2023

自动驾驶感知技术基于实际街道数据训练的监督式机器学习模型，然而，在不同车辆类型上部署这些训练模型可能会引起域漂移问题，对神经网络性能造成潜在影响并违反工作中的 ADAS 要求。本文通过评估两个感知模型对不同车窗配置的敏感性来深入研究领域漂移问题，使用傅立叶光学威胁模型应用神经网络基准指标与光学价值函数之间的依赖关系进行评估。结果表明车窗引入了性能差异，而现有的光学指标可能不足以提出要求。

Aug, 2023

本论文针对自动驾驶系统的安全分析提出了一种实用的验证方法，即建立量化描述交通场景下 ADS 行为的代理模型，并通过证明安全特性来保证原 ADS 的性能。此外，我们还探索了危险驾驶的安全和不安全参数空间，并通过评估多个模拟交通场景下的安全特性展示了所提出方法的实用性。

Nov, 2022

为了实现安全的自主驾驶，本文提出了一种社交适宜和安全敏感的轨迹规划框架，通过整合社交感知轨迹预测和驾驶风险评估模块，实现对自动驾驶车辆和人工驾驶车辆之间的交互风险的有效评估和规划优化，提高规划轨迹的安全性和解释性。

Apr, 2024