基于多智能体强化学习的在线模糊测试方法：用于检测自动驾驶系统中的安全违规
软件工程
2025-01-27 v1 机器人学
摘要
自动驾驶系统（ADSs）因涉及安全关键问题，实际世界的安全违规可能导致重大损失。部署前需要进行严格的测试，其中仿真测试发挥着关键作用。然而，ADSs 通常由多个模块构成，如感知与规划，或经过训练的端到端自动驾驶系统。离线方法（如遗传算法）只能生成预定义的轨迹，由于其进化性质，难以在不同情景下快速高效地引发 ADS 的安全违规。在线方法（如单智能体强化学习）能够快速在线调整动力学轨迹以适应不同情景，但难以捕捉由多个车辆相互作用引发的 ADS 复杂角落情况。多智能体强化学习（MARL）在协作任务中表现突出。本文引入 MARL-OT，一个可扩展的框架，利用 MARL 检测由周围车辆协同作用导致的 ADS 安全违规。MARL-OT 采用 MARL 进行高层指导，触发各种危险情景供基于规则的在线模糊测试器探索潜在的 ADS 安全违规，从而生成动态、真实的安全违规情景。我们的方法在检测安全违规率方面相较于最先进（SOTA）测试技术提升了最高可达 136.2%。
引用
@article{arxiv.2501.14451,
title = {MARL-OT: Multi-Agent Reinforcement Learning Guided Online Fuzzing to Detect Safety Violation in Autonomous Driving Systems},
author = {Linfeng Liang and Xi Zheng},
journal= {arXiv preprint arXiv:2501.14451},
year = {2025}
}