ACAV：一个用于自动驾驶车辆事故记录自动因果分析的框架

自动驾驶车辆（AVs）的快速发展使无人驾驶的未来比以往任何时候都更近。然而，最近的致命事故凸显了通过大规模测试进行安全验证的重要性。多种方法使用高保真模拟器全自动地实现这一点，即通过生成多样化的驾驶场景并根据不同的测试预言评估自动驾驶系统（ADSs）。虽然这些方法能有效发现违规行为，但它们并未识别导致这些违规行为的决策和动作——这些信息对于提高ADSs的安全性至关重要。为了应对这一挑战，我们提出了ACAV，一个旨在分两个阶段对AV事故记录进行因果分析的自动化框架。首先，我们应用基于ADS模块间交换消息的特征提取模式，并使用加权投票方法丢弃与事故无关的记录帧。其次，我们使用安全规范来识别安全关键帧，并通过将我们的因果分析工具CAT应用于时空图来推断因果事件。我们在Apollo ADS上评估了ACAV，发现它能在由AV测试引擎生成的110个事故记录中的93.64%中识别出五种不同类型的因果事件。我们进一步在注入了特定故障的Apollo版本收集的1206个事故记录上评估了ACAV，发现它能正确识别由预测错误触发的事故中96.44%的因果事件，以及由规划错误触发的事故中85.73%的因果事件。