基于贝叶斯模型的统计软件测试集体风险最小化方法

在过去四年中，部署于加州街道上的不同自动驾驶车辆平台数量增长了6倍，而报告的事故数量增长了12倍。随着硬件传感器与机器学习软件创新的持续涌入，这一趋势可能愈演愈烈且毫无消退迹象。与此同时，若期望公众与监管者信任自动驾驶车辆平台，我们需要找到更好的方法来解决在不增加事故风险的前提下提升技术复杂度的问题。我们从可靠性工程的视角研究了该问题，其中给定事故风险具有严重性与发生概率。及时的事故信息对于工程师预判并复用既往故障以近似新城市中的事故风险至关重要。然而，在自动驾驶车辆背景下，由于运行场景（新城市中的行驶轨迹）数据稀疏，这一目标颇具挑战。我们的方法是通过监控多车运行来缩减状态空间，从而缓解数据稀疏性。随后，我们通过确定每个等价类的适当测试分配来最小化事故风险。我们的贡献包括：（1）一组用于监控多辆自动驾驶车辆运行数据的策略，（2）一个估计事故风险变化的贝叶斯模型，以及（3）通过重新分配测试工作量来最小化这些风险的反馈控制回路。我们的结果令人鼓舞，因为我们能够对运行场景中各类变化的风险进行测量与控制。我们使用来自两个具有不同交通模式的真实城市的数据对模型进行了评估，并将数据向社区公开。