用于自动驾驶系统测试与改进的边界状态生成
软件工程
2024-07-15 v2 人工智能
机器人学
摘要
深度神经网络（DNN）与传感器技术的最新进展正推动自动驾驶系统（ADS）实现日益增长的自治水平。然而，评估其可靠性仍是一大关键关切。最先进的 ADS 测试方法会修改模拟驾驶环境的可控属性，直至 ADS 行为失当。此类方法中，ADS 成功的场景实例被丢弃，尽管它们可能包含 ADS 行为失当的隐藏驾驶条件。本文提出 GENBO（边界状态对生成器），一种用于 ADS 测试的新型测试生成器。GENBO 对在无故障环境实例中采集的自车驾驶条件（位置、速度与朝向）进行变异，并在同一环境实例中高效生成处于行为边界（即模型开始行为失当处）的挑战性驾驶条件。我们利用此类边界条件扩充初始训练数据集，并重新训练被测 DNN 模型。评估结果表明，在独立的评估赛道集上，重训练模型相较原始 DNN 模型平均成功率最高提升至 3 倍。
引用
@article{arxiv.2307.10590,
title = {Boundary State Generation for Testing and Improvement of Autonomous Driving Systems},
author = {Matteo Biagiola and Paolo Tonella},
journal= {arXiv preprint arXiv:2307.10590},
year = {2024}
}