ADS 的舞蹈：通过历史信息驱动的场景模糊测试以编排故障
人工智能
2026-03-11 v1 神经与进化计算
软件工程
摘要
随着自动驾驶系统（ADS）向更高水平的自主化发展，编排其安全验证变得日益复杂。本文首次提出了 ScenarioFuzz——一种前沿的基于情景的模糊测试方法。它如同理解过往演出的指挥家，无需预定义情景即可揭示 ADS 中的漏洞。利用地图道路网络（如 OPENDRIVE），我们提取关键数据，构建基础情景种子语料库。该语料库经过丰富，为缺乏初始情景时的模糊测试提供必要边界。我们的方法融合了专用变异器和变异技术，结合图神经网络模型，预测并筛选高风险情景种子，利用历史测试数据优化模糊测试过程。与其他方法相比，本方法将时间成本平均降低 60.3%，单位时间内发现的错误情景数量提升 103%。此外，我们提出一种自监督碰撞轨迹聚类方法，有助于识别并总结 54 类易诱发 ADS 故障的高风险情景类别。我们的实验成功发现了 58 个跨 6 个测试系统的 bug，凸显了 ADS 的关键安全问题。
引用
@article{arxiv.2407.04359,
title = {Dance of the ADS: Orchestrating Failures through Historically-Informed Scenario Fuzzing},
author = {Tong Wang and Taotao Gu and Huan Deng and Hu Li and Xiaohui Kuang and Gang Zhao},
journal= {arXiv preprint arXiv:2407.04359},
year = {2026}
}
备注
This paper was accepted by 33rd ACM SIGSOFT International Symposium on Software Testing and Analysis (ISSTA 2024)