面向自动驾驶车辆的基于机器学习的故障注入：一种贝叶斯故障注入方案
机器学习
2019-07-03 v1 软件工程
机器学习
摘要
全自动驾驶车辆（AVs）的安全性和弹性备受关注，数起成为头条新闻的事故便是例证。尽管当今的AV开发涉及验证、确认与测试，但在真实驾驶场景下对AV系统进行意外故障的端到端评估在很大程度上尚未被探索。本文提出DriveFI，一种基于机器学习的故障注入引擎，能够挖掘对AV安全性影响最大的情境与故障，并在两个工业级AV技术栈（来自NVIDIA和百度）上进行了演示。例如，DriveFI在不到4小时内发现了561个安全关键故障。相比之下，执行数周的随机注入实验未能发现任何安全关键故障。
引用
@article{arxiv.1907.01051,
title = {ML-based Fault Injection for Autonomous Vehicles: A Case for Bayesian Fault Injection},
author = {Saurabh Jha and Subho S. Banerjee and Timothy Tsai and Siva K. S. Hari and Michael B. Sullivan and Zbigniew T. Kalbarczyk and Stephen W. Keckler and Ravishankar K. Iyer},
journal= {arXiv preprint arXiv:1907.01051},
year = {2019}
}
备注
Accepted at 2019 49th Annual IEEE/IFIP International Conference on Dependable Systems and Networks