基于邻域覆盖与相似性的自动驾驶车辆小样本场景测试
系统与控制
2024-09-06 v2 机器学习
机器人学
软件工程
系统与控制
摘要
在大规模部署之前，测试和评估自动驾驶车辆（AV）的安全性能至关重要。实际上，由于测试预算和时间的严格限制，特定AV允许的测试场景数量非常有限。在严格限制测试数量的约束下，现有测试方法往往导致评估结果存在显著的不确定性或难以量化。本文首次将这一问题定义为“小样本测试”（FST）问题，并提出了一个系统框架来应对这一挑战。为了缓解小测试场景集固有的巨大不确定性，我们将FST问题建模为优化问题，并基于邻域覆盖和相似性搜索测试场景集。具体而言，在测试场景集对AV具有更好泛化能力的指导下，我们基于覆盖动态调整该集合以及每个测试场景对评估结果的贡献，并利用代理模型（SM）的先验信息。在关于SM的某些假设下，建立了评估误差的理论上界，以验证在给定有限测试次数下评估精度的充分性。在切入场景上的实验结果表明，与常规测试方法相比，我们的方法显著降低了评估误差和方差，尤其是在场景数量严格受限的情况下。
引用
@article{arxiv.2402.01795,
title = {Few-Shot Scenario Testing for Autonomous Vehicles Based on Neighborhood Coverage and Similarity},
author = {Shu Li and Jingxuan Yang and Honglin He and Yi Zhang and Jianming Hu and Shuo Feng},
journal= {arXiv preprint arXiv:2402.01795},
year = {2024}
}