ANTI-CARLA：CARLA 中面向自动驾驶车辆的对抗测试框架
机器学习
2022-08-15 v1 人工智能
机器人学
摘要
尽管自动驾驶系统近期取得了进展，但诸如 2018 年 Uber 致命撞车等事故表明这些系统仍易受边缘情况影响。此类系统在部署于真实世界之前必须经过彻底测试与验证，以避免此类事件。在开放世界场景中进行测试可能困难、耗时且昂贵。使用诸如 CARLA 之类的驾驶仿真器可应对这些挑战。此类测试的一个关键部分是对抗测试，其目标是寻找导致给定系统失效的场景。尽管已有若干独立的测试努力，但一个支持对抗测试的成熟测试框架尚不可用于 CARLA。因此我们提出 ANTI-CARLA，一个 CARLA 中的自动化测试框架，用于仿真使系统失效的对抗天气条件（例如大雨）与传感器故障（例如摄像头遮挡）。应在其中测试给定系统的运行条件以场景描述语言指定。该框架提供一种高效搜索机制，搜寻将使被测系统失效的对抗运行条件。以此方式，ANTI-CARLA 扩展了 CARLA 仿真器对任意给定驾驶流水线执行对抗测试的能力。我们使用 ANTI-CARLA 测试以 Learning By Cheating（LBC）方法训练的驾驶流水线。仿真结果表明，尽管 LBC 在 CARLA 基准中达到 100% 准确率，ANTI-CARLA 仍能有效且自动地发现一系列失效案例。
引用
@article{arxiv.2208.06309,
title = {ANTI-CARLA: An Adversarial Testing Framework for Autonomous Vehicles in CARLA},
author = {Shreyas Ramakrishna and Baiting Luo and Christopher Kuhn and Gabor Karsai and Abhishek Dubey},
journal= {arXiv preprint arXiv:2208.06309},
year = {2022}
}
备注
Paper accepted at IEEE International Conference on Intelligent Transportation Systems (IEEE ITSC 2022)