Statistical methodologies for virtual homologation and multi-pillar validation of highly automated vehicles

The global automotive industry is undergoing a profound transformation with the advent of Highly Automated Vehicles (HAVs). However, traditional verification, validation, and homologation processes are fundamentally inadequate for the complex, software-defined nature of these systems. The immense testing mileage required to statistically prove safety renders physical road testing infeasible. A new consensus mandates a multi-pillar validation approach, relying on virtual testing as the necessary and scalable foundation. The core challenges this thesis addresses are the inherent uncertainty and computational inefficiency that are involved with the credibility of simulation-based evidence. This work develops and evaluates statistical methodologies to bridge the fidelity and efficiency gaps in virtual validation. Firstly, a Verification, Validation, and Uncertainty Quantification framework is introduced to integrate Uncertainty Quantification systematically into the closed-loop simulation chain. This non-deterministic approach models different types of uncertainties and propagates their effects through a high-fidelity co-simulation environment. This methodology moves beyond a simplistic pass/fail result to provide a robust, quantitative measure of system reliability and scenario coverage. Secondly, as a solution to the combinatorial 'scenario explosion,' an accelerated verification and validation framework utilizing Bayesian Optimization is implemented. This surrogate-model-based search explores the full parameter space of logical scenarios to discover critical test cases earlier. This framework demonstrated being up to two orders of magnitude more efficient than traditional brute-force testing at identifying distinct failure clusters while proving its scalability for high-dimensional parameter spaces in the case study performed on an example automated driving function. Finally, the research anchors these virtual findings to physical reality by implementing a multi-pillar validation chain. A developed HAV motion planner was integrated into a full highly automated driving stack on an experiment vehicle for physical proving ground tests. By performing the same trajectory following maneuver in both simulation and the real world, the sim2real uncertainty could be calculated. This successfully demonstrates a credible and quantifiable validation chain from virtual models to the physical highly automated driving system.

L'industria automobilistica globale sta attraversando una profonda trasformazione con l'avvento dei Veicoli Altamente Automatizzati (HAV). Tuttavia, i tradizionali processi di verifica, validazione e omologazione si dimostrano fondamentalmente inadeguati per la natura complessa e definita dal software di questi sistemi. L'immensa quantità di chilometraggio di prova richiesto per dimostrare statisticamente la sicurezza rende impraticabile il collaudo fisico su strada. Un nuovo consenso impone un approccio di validazione multi-pilastro, che si affida al collaudo virtuale come fondamento necessario e scalabile. Le sfide centrali che questa tesi affronta sono l'incertezza intrinseca e l'inefficienza computazionale coinvolte nell'affidabilità delle prove basate sulla simulazione. Questo lavoro sviluppa e valuta metodologie statistiche per colmare i divari di fedeltà ed efficienza nella validazione virtuale. In primo luogo, viene introdotto un framework di Verifica, Validazione e Quantificazione dell'Incertezza (VVUQ) per integrare sistematicamente la Quantificazione dell'Incertezza nella catena di simulazione a loop chiuso. Questo approccio non deterministico modella diversi tipi di incertezze e ne propaga gli effetti attraverso un ambiente di co-simulazione ad alta fedeltà. Questa metodologia va oltre un semplicistico risultato "superato/non superato" per fornire una misura robusta e quantitativa dell'affidabilità del sistema e della copertura degli scenari. In secondo luogo, come soluzione all'esplosione combinatoria degli scenari, viene implementato un framework di verifica e validazione accelerato che utilizza l'Ottimizzazione Bayesiana. Questa ricerca basata su modelli surrogate esplora l'intero spazio dei parametri degli scenari logici per scoprire i casi di prova critici in anticipo. Questo framework ha dimostrato di essere fino a due ordini di grandezza più efficiente rispetto ai tradizionali test a forza bruta nell'identificare distinti cluster di fallimento, dimostrando al contempo la sua scalabilità per spazi di parametri ad alta dimensionalità nel caso di studio eseguito su una funzione di guida automatizzata d'esempio. Infine, la ricerca ancora questi risultati virtuali alla realtà fisica implementando una catena di validazione multi-pilastro. Un pianificatore di movimento HAV sviluppato è stato integrato in uno stack completo di guida altamente automatizzata su un veicolo sperimentale per test fisici su pista di prova. Eseguendo la stessa manovra di trajectory following sia in simulazione che nel mondo reale, è stato possibile calcolare l'incertezza sim2real. Questo dimostra con successo una catena di validazione credibile e quantificabile, dai modelli virtuali al sistema fisico di guida altamente automatizzata.