面向自动驾驶系统的因果感知安全测试
软件工程
2025-06-17 v2
摘要
基于仿真的测试对于评估自动驾驶系统（ADS）的安全性至关重要。全面评估需要在不同条件下测试能够触发各种类型违规的多样化场景。虽然现有方法通常关注个体多样性指标，如输入场景、ADS生成的运动指令和系统违规，但它们往往未能捕捉这些元素之间的复杂相互关系。这种疏忽导致测试覆盖存在缺口，可能遗漏被评估ADS中的关键问题。然而，量化这些相互关系是一个重大挑战。在本文中，我们提出了一种新颖的因果感知模糊测试技术Causal-Fuzzer，通过探索因果多样化的场景来实现对ADS的高效全面测试。Causal-Fuzzer的核心是构建因果图来建模输入场景多样性、ADS运动指令多样性和系统违规多样性之间的相互关系。然后，因果图将指导关键场景生成过程。具体而言，Causal-Fuzzer提出了（1）一种基于因果的反馈机制，通过评估测试场景是否激活新的因果关系来量化测试场景的组合多样性，以及（2）一种因果驱动的变异策略，优先对输入场景元素进行变异，这些元素对自我行动变化和违规发生具有更高的因果影响，而非平等对待所有元素。我们在工业级ADS Apollo上评估了Causal-Fuzzer，并使用了高保真仿真。我们的实验结果表明，Causal-Fuzzer在（1）识别更多样化的违规、（2）通过改进因果关系覆盖提供增强的测试充分性，以及（3）在检测首个关键场景方面实现更高效率方面，显著优于现有方法。
引用
@article{arxiv.2506.08688,
title = {Causality-aware Safety Testing for Autonomous Driving Systems},
author = {Wenbing Tang and Mingfei Cheng and Renzhi Wang and Yuan Zhou and Chengwei Liu and Yang Liu and Zuohua Ding},
journal= {arXiv preprint arXiv:2506.08688},
year = {2025}
}