Abstract Intelligent Transportation Systems (ITS) are attracting much attention from the industry, academia, and government in staging the new generation of transportation. In the coming years, the human-driven vehicles and autonomous vehicles would co-exist for a long time in uncertain environments. How to efficiently control the autonomous vehicle and improve the interaction accuracy as well as the human drivers’ safety is a hot topic for the autonomous industry. The safety-critical nature of the ITSs demands the system designers to provide provably correct guarantees about the actions, models, control, and performance. To model and recognize the drivers’ behavior, we use machine learning classification algorithms based on the data we get from the uncertain environments. We define a parameterized modeling language stohChart(p) (parameterized stochastic hybrid statecharts) to describe the interactions of agents in ITSs. The learning result of the driver behavior classification is transferred to stohChart(p) as the parameters timely. Then we propose a mapping algorithm to transform stohChart(p) to NPTA (Networks of Probabilistic Timed Automata) and use the statistical model checker UPPAAL-SMC to verify the quantitative properties. So the run-time verification method can help autonomous vehicles make “more intelligent” decisions at run-time. We illustrate our approach by modeling and analyzing a scenario of the autonomous vehicle try to change to a lane occupied by a human-driven car.

中文翻译：

---

自动驾驶汽车驾驶控制的不确定性建模和运行时验证：一种基于机器学习的方法

摘要 智能交通系统（ITS）在推动新一代交通运输方面受到业界、学术界和政府的广泛关注。未来几年，人类驾驶汽车和自动驾驶汽车将在不确定的环境中长期共存。如何有效地控制自动驾驶汽车，提高交互精度以及人类驾驶员的安全，是自动驾驶行业的热门话题。ITS 的安全关键性质要求系统设计人员提供有关操作、模型、控制和性能的可证明正确的保证。为了对驾驶员的行为进行建模和识别，我们使用基于从不确定环境中获得的数据的机器学习分类算法。我们定义了参数化建模语言 stohChart(p)（参数化随机混合状态图）来描述 ITS 中代理的交互。将驾驶员行为分类的学习结果及时传递给 stohChart(p) 作为参数。然后我们提出了一种映射算法将 stohChart(p) 转换为 NPTA（概率定时自动机网络），并使用统计模型检查器 UPPAAL-SMC 来验证定量属性。因此，运行时验证方法可以帮助自动驾驶汽车在运行时做出“更智能”的决策。我们通过建模和分析自动驾驶汽车尝试改变到人类驾驶汽车占用的车道的场景来说明我们的方法。将驾驶员行为分类的学习结果及时传递给 stohChart(p) 作为参数。然后我们提出了一种映射算法将 stohChart(p) 转换为 NPTA（概率定时自动机网络），并使用统计模型检查器 UPPAAL-SMC 来验证定量属性。因此，运行时验证方法可以帮助自动驾驶汽车在运行时做出“更智能”的决策。我们通过建模和分析自动驾驶汽车尝试改变到人类驾驶汽车占用的车道的场景来说明我们的方法。将驾驶员行为分类的学习结果及时传递给 stohChart(p) 作为参数。然后我们提出了一种映射算法将 stohChart(p) 转换为 NPTA（概率定时自动机网络），并使用统计模型检查器 UPPAAL-SMC 来验证定量属性。因此，运行时验证方法可以帮助自动驾驶汽车在运行时做出“更智能”的决策。我们通过建模和分析自动驾驶汽车尝试改变到人类驾驶汽车占用的车道的场景来说明我们的方法。因此，运行时验证方法可以帮助自动驾驶汽车在运行时做出“更智能”的决策。我们通过建模和分析自动驾驶汽车尝试改变到人类驾驶汽车占用的车道的场景来说明我们的方法。因此，运行时验证方法可以帮助自动驾驶汽车在运行时做出“更智能”的决策。我们通过建模和分析自动驾驶汽车尝试改变到人类驾驶汽车占用的车道的场景来说明我们的方法。