基于低秩模型的高度自动化车辆高维容错测试
软件工程
2024-08-01 v1 人工智能
机器学习
机器人学
摘要
由于存在可能导致严重后果的故障，确保高度自动化车辆 (HAV) 的容错性至关重要。因此，实践者会进行故障注入 (FI) 测试以评估 HAV 的安全水平。为了充分覆盖测试用例，需要考虑各种驾驶情景和故障设置。然而，由于测试情景和故障设置的组合数量庞大，测试空间可能呈现复杂的高维。此外，在所有新添加的情景中评估性能代价高昂。关键故障稀缺且可能引发安全问题，这进一步加剧了挑战。为此，我们提出在低秩光滑正则化矩阵分解 (SRMF) 框架下加速 FI 测试。我们首先根据安全值将稀疏评估数据组织成结构化矩阵，然后通过矩阵结构捕获的相关性估计未评估的值。为解决高维问题，在测试空间上施加低秩约束。为利用现有情景与新情景之间的关系并捕捉关键故障的局部规律，进一步设计了三种光滑正则化类型以作补充。我们在车辆跟随和切入情景中进行实验。结果表明，SRMF 在各种情景下预测误差最低，能够预测其他机器学习模型难以捕捉的稀缺关键故障。此外，SRMF 在识别关键故障方面实现了 1171 倍加速率、99.3% 的精确率和 91.1% 的 F1 分数。已知这是首个将低秩模型引入 HAV 故障注入测试的工作。
引用
@article{arxiv.2407.21069,
title = {High-Dimensional Fault Tolerance Testing of Highly Automated Vehicles Based on Low-Rank Models},
author = {Yuewen Mei and Tong Nie and Jian Sun and Ye Tian},
journal= {arXiv preprint arXiv:2407.21069},
year = {2024}
}
备注
Accepted by ITSC 2024