自动驾驶汽车软件中基于仿真的高性价比测试选择
软件工程
2023-02-01 v1
摘要
仿真环境对于自动驾驶汽车（SDCs）等复杂信息物理系统的持续开发至关重要。先前关于SDCs基于仿真的测试结果表明，许多自动生成的测试并不能有力有助于识别SDC故障，因此无助于提高SDCs的质量。由于运行此类“无信息”测试通常会导致计算资源浪费和SDC测试成本急剧增加，测试人员应避免它们。然而，在运行前识别“无信息”测试仍是一个开放性挑战。因此，本文提出SDC-Scissor，一个利用机器学习（ML）来识别不太可能检测到被测SDC软件故障的SDC测试的框架，从而使测试人员能够跳过其执行并大幅提高SDC软件基于仿真测试的成本效益。我们在以22'652个测试为特征的的两个大型数据集上使用六种ML模型的评估表明，SDC-Scissor达到了高达96%的分类F1分数。此外，我们的结果显示SDC-Scissor在每时间单位识别更多失败测试方面优于随机基线。网页与视频：https://github.com/ChristianBirchler/sdc-scissor
引用
@article{arxiv.2211.11409,
title = {Cost-effective Simulation-based Test Selection in Self-driving Cars Software},
author = {Christian Birchler and Nicolas Ganz and Sajad Khatiri and Alessio Gambi and Sebastiano Panichella},
journal= {arXiv preprint arXiv:2211.11409},
year = {2023}
}