基于覆盖驱动的验证方法：实现AI防撞系统的安全设计

欧盟航空安全局（EASA）要求证明AI/ML部件的运行设计域（ODD）和训练数据分布的代表性与完整性，但缺乏结构化工程方法。本工作提出一种在航空安全认证背景下评估ODD代表性的方法，它从识别目标分布出发，引导开发者完成ODD定义、参数分布建模，并量化评估覆盖结果。研究指出卡方拟合优度检验不适合大数据集，改用KL散度和Cramér's V。该方法在AI防撞系统（如HCAS、VCAS）上进行了验证。

这一变化重要，因为此前缺少结构化方法来评估AI/ML系统ODD的代表性，航空安全认证难以量化。该工作首次提出从目标分布到量化评估的完整流程，为EASA学习保证目标提供可操作手段，影响AI在航空安全关键领域的合规落地。

该方法的核心机制是将ODD定义转化为参数分布建模，并通过统计距离（KL散度和Cramér's V）衡量训练数据与目标分布的差异，从而量化覆盖度。该方法规避了卡方检验在大数据集上的局限性，为验证AI行为安全性提供数学基础，并指导开发者调整数据采样策略以满足监管要求。

该方法可直接用于航空AI产品（如防撞系统）的认证流程，缩短合规周期。产品团队需调整数据采集和验证流程，引入统计评估环节。对成本而言，可能增加初期验证开销，但能降低认证失败风险，提升安全关键产品的市场准入效率。

• 开发面向航空AI的ODD代表性与覆盖度评估软件工具，集成KL散度和Cramér's V计算，提供给OEM和适航认证机构。
• 将方法扩展到地面无人驾驶和工业机器人防撞系统，形成跨行业的验证服务。
• 构建行业级ODD参数分布基准数据集，供开发者对标和验证自己的数据采集策略。
• 基于方法咨询业务，帮助航空客户转型AI安全验证流程，提供定制化培训和实施方案。

• 证据未提及该方法在真实非仿真环境中的验证效果如何。
• EASA是否已将该方法纳入正式认证指导文件？
• 除防撞系统外，该方法对其他航空AI功能（如自动驾驶）的适用性尚待确认。
• KL散度和Cramér's V的阈值截断标准如何设定以保证安全合规？