使用扩散模型提高自动驾驶测试中域的有效数据增强
软件工程
2025-03-19 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
仿真测试广泛用于评估自动驾驶系统（ADS）的可靠性，但其有效性受限于此类仿真器中可用的运行设计域（ODD）条件。为解决这一限制，本工作探索了将生成式人工智能技术与基于物理的仿真器集成以增强ADS系统级测试的有效性。我们评估了基于扩散模型的三种生成策略的有效性和计算开销，分别是指令编辑、图像修复和精炼后的图像修复。具体而言，我们评估了这些技术在代表新ODD的驾驶情景生成增强仿真器生成图像方面的能力。我们采用一种新型自动无效输入检测器，基于语义分割确保神经生成图像的语义保留与真实性。随后进行系统级测试以评估ADS对新合成ODD的泛化能力。我们的发现表明，扩散模型有助于提高ADS系统级测试的ODD覆盖率。我们的自动语义验证器实现的误报率仅为3%，保持了为测试生成图像的正确性和质量。我们的做法成功地在实际测试之前识别了新的ADS系统故障。
引用
@article{arxiv.2409.13661,
title = {Efficient Domain Augmentation for Autonomous Driving Testing Using Diffusion Models},
author = {Luciano Baresi and Davide Yi Xian Hu and Andrea Stocco and Paolo Tonella},
journal= {arXiv preprint arXiv:2409.13661},
year = {2025}
}
备注
Accepted for publication at the 47th International Conference on Software Engineering (ICSE 2025). This research was partially supported by project EMELIOT, funded by MUR under the PRIN 2020 program (n. 2020W3A5FY), by the Bavarian Ministry of Economic Affairs, Regional Development and Energy, by the TUM Global Incentive Fund, and by the EU Project Sec4AI4Sec (n. 101120393)