基于生成模型的数字孪生框架用于自主驾驶系统的变形测试
机器人学
2025-10-09 v1 人工智能
摘要
确保自主驾驶汽车的安全性仍面临重大挑战，由于真实世界驾驶环境的复杂性和不可预测性。传统测试方法面临显著限制，如oracle问题，使得难以确定系统行为是否正确，以及无法覆盖自主驾驶车辆可能遭遇的全部场景。在本文中，我们引入了一个以数字孪生驱动的变形测试框架，以解决这些挑战，通过创建自主驾驶系统及其运行环境的虚拟副本。通过将数字孪生技术与诸如Stable Diffusion等AI基于图像的生成模型相结合，我们的方法能够系统地生成真实且多样化的驾驶场景，包括天气、道路拓扑和环境特征的变化，同时保持原始情景的核心语义。数字孪生提供了一个同步的仿真环境，可以在受控且可重复的条件下测试这些变更。在此环境中，我们定义了三个受真实交通规则和车辆行为启发的变形关系。我们在Udacity自主驾驶模拟器中对框架进行了验证，证明其显著提高了测试覆盖率和有效性。我们的方法实现了最高的真阳性率（0.719）、F1分数（0.689）和准确率（0.662），与基线方法相比。本文突显了将数字孪生与AI驱动的场景生成集成以创建可扩展、自动化且高保真的自主车辆安全测试解决方案的价值。
引用
@article{arxiv.2510.07133,
title = {A Digital Twin Framework for Metamorphic Testing of Autonomous Driving Systems Using Generative Model},
author = {Tony Zhang and Burak Kantarci and Umair Siddique},
journal= {arXiv preprint arXiv:2510.07133},
year = {2025}
}