注入自动驾驶车辆中的幻觉：一种无组件依赖的安全评估框架

自动驾驶车辆（AV）中的感知失效仍是主要安全关切，因为它们是许多事故的基础。为研究这些失效如何影响安全，研究者通常会向硬件或软件组件注入人工故障并观察结果。然而，现有的故障注入研究通常针对单个传感器或机器感知（MP）模块，导致孤立的框架难以概括或集成到统一的仿真环境中。本工作通过重新定义感知失效为幻觉（hallucination），即扭曲AV情境感知并可能触发不安全控制动作的虚假感知，从而克服了这一限制。由于幻觉仅描述可观察的效应，这种抽象使分析独立于特定传感器或算法，专注于它们在MP管道中故障如何呈现。基于此概念，我们提出一种可配置、无组件依赖的幻觉注入框架，在迭代式开源仿真器中引发六种合情不幸的幻觉类型。我们执行了超过18,350次仿真，在AV穿越无信号十字路口时注入幻觉。结果统计性地验证了该框架并量化了每种幻觉类型对碰撞和近逾近事故的影响。某些幻觉，如感知延迟和漂移，会显著增加测试场景中的碰撞风险，证明了所提出的范式能够对AV系统安全性进行压力测试。该框架提供了一个可扩展、统计上得到验证、无组件依赖且完全兼容的工具集，简化并加速了AV安全验证，即使针对新的MP架构和组件亦然。它可能缩短AV上市时间，并为容错性和韧性AV设计的未来研究奠定基础。