通过Frenet空间编码的多样性引导搜索探索用于自动驾驶汽车测试生成
软件工程
2024-01-29 v1
摘要
自动驾驶汽车（SDCs）的兴起在动态环境中带来了重要的安全挑战。虽然实地测试至关重要，但当前方法在评估关键SDC场景时缺乏多样性。先前的研究引入了基于模拟的SDC测试，其中Frenetic是一种基于Frenet空间编码的测试生成方法，实现了相对较高的有效测试百分比（约50%），其特点是自然平滑的曲线。通常将“最小越界距离”作为适应度函数，但我们认为这是一个次优指标。相反，我们展示了导致越界条件的可能性可以通过深度学习vanilla transformer模型学习得到。我们将这种“内在学习到的指标”与遗传算法相结合，该算法已被证明能产生高度多样性的测试。为了验证我们的方法，我们在一个包含超过1,174个模拟测试用例的数据集上进行了大规模实证评估，这些测试用例旨在挑战SDC的行为。我们的研究表明，我们的方法在生成无效测试用例方面显著减少，增加了多样性，并在SDC测试执行期间高精度地识别安全违规行为。
引用
@article{arxiv.2401.14682,
title = {Diversity-guided Search Exploration for Self-driving Cars Test Generation through Frenet Space Encoding},
author = {Timo Blattner and Christian Birchler and Timo Kehrer and Sebastiano Panichella},
journal= {arXiv preprint arXiv:2401.14682},
year = {2024}
}