桥接真实图像与合成图像之间的差距：用于自动驾驶系统测试

自动驾驶系统 (ADS) 的深度神经网络 (DNN) 通常在真实图像上进行训练，并使用合成模拟器图像进行测试。这种做法会导致训练和测试数据集分布不一致，可能导致测试准确率异常下降。为解决此问题，文献中建议对测试数据集应用域到域的翻译器，以将其拉近与训练数据集的分布。然而，对测试图像进行翻译可能不可预测地影响测试过程的可靠性、有效性和效率。因此，本文在 ADS 语境下研究以下问题：翻译器是否会降低用于 ADS-DNN 测试图像的有效性及其揭示 ADS-DNN 故障的能力？翻译器是否会导致模拟测试中的时间开销过大？为解决这些问题，我们考虑了三种域到域翻译器：来自文献的 CycleGAN 和神经风格迁移，以及我们提出的 SAEVAE。我们的结果表明，对于两种关键 ADS 任务（车道保持和目标检测），翻译器显著缩小了由于训练和测试数据分布不一致导致的 ADS 测试准确率下降的差距，其中 SAEVAE 的性能优于另外两种翻译器。我们展示了基于最近用于测试深度学习系统的多样性、覆盖性和故障揭示能力指标，翻译器并未损害测试数据的多样性和覆盖性，也不会导致在 ADS-DNN 中揭示更多的故障。进一步地，在所考虑的翻译器中，SAEVAE 在模拟时间上的开销可忽略不计，并且可以有效地集成到基于模拟的测试中。最后，我们表明翻译器增加了离线测试与模拟测试结果之间的相关性，这有助于降低基于模拟的测试成本。