基于场景相似性学习的自动驾驶车辆少样本测试

测试与评估对于自动驾驶车辆（AV）的开发和部署至关重要。鉴于碰撞等安全关键事件的稀有性，通常需要数百万次测试才能准确评估 AV 的安全性能。尽管重要性采样等技术可以加速这一过程，但对于实地测试而言，通常仍需要过多的测试次数。这严重阻碍了测试和评估过程，特别是对于测试预算非常有限的第三方测试者和政府机构而言。AV 技术的快速开发周期进一步加剧了这一挑战。为了填补这一研究空白，本文引入了少样本测试（FST）问题，并提出了一种方法论框架来解决它。由于测试预算非常有限，通常小于 100，FST 方法将测试场景生成问题从概率采样转化为确定性优化，降低了测试结果的不确定性。为了优化测试场景的选择，提出了一种交叉注意力相似性机制，用于学习提取 AV 测试场景空间的信息。这允许迭代搜索具有最小评估误差的场景，确保在预算约束内进行精确测试。在切入场景中的实验结果证明了 FST 方法的有效性，显著提高了准确性，并实现了高效、精确的 AV 测试。