高效且有效的测试用例生成用于行人检测——在 SVL 中对百度 Apollo 的基于搜索的软件测试

随着自动驾驶车辆能力不断增强，汽车 AI 背景下机器学习赋能系统对复杂且务实的质量保证方法的需求日益提高。基于仿真的原型平台提供了早期测试的可能性，实现了低成本测试并能够捕获关键的极端情况测试场景。基于仿真的测试恰当地补充了传统的道路测试。然而，由于这些系统中测试输入参数空间庞大，高效生成能揭示故障的有效测试场景是一项挑战。本文介绍一项在 SVL 仿真器内测试百度 Apollo 自动驾驶平台行人检测与紧急刹车系统的研究。我们提出一种进化自动测试生成技术，为 SVL 环境中的 Apollo 生成揭示故障的场景。我们的方法使用通用且灵活的数据结构对输入空间建模，并受益于针对优化目标的多准则安全启发式。本文展示了我们所提测试生成技术在 2021 IEEE 自动驾驶 AI 测试挑战赛中的结果。为证明方法的效率与有效性，我们也报告了基线随机生成技术的结果。我们的评估表明，所提进化测试用例生成器比随机基线更能有效生成揭示故障的测试用例，并在生成的故障间提供更高多样性。