神经网络引导的进化模糊测试用于发现自动驾驶车辆交通违规
软件工程
2022-07-22 v4 机器学习
神经与进化计算
机器人学
摘要
自动驾驶汽车与卡车（自主车辆，AVs）在监管机构和公众对其安全性与可靠性有更高置信度之前，不应被接受——而这最切实且令人信服地可通过测试实现。但现有测试方法不足以检查 AV 控制器在涉及与行人及人类驾驶车辆等多个独立智能体交互的复杂现实corner case中的端到端行为。虽然在街道与高速公路上实测 AVs 未能捕获许多稀有事件，现有基于仿真的测试方法主要关注简单场景，且对需要复杂环境感知的复杂驾驶情况可扩展性不佳。为应对这些局限，我们提出一种称为 AutoFuzz 的新模糊测试技术，其可利用广泛使用的 AV 仿真器 API 文法生成语义与时间有效的复杂驾驶场景（场景序列）。为在巨大搜索空间中高效搜索引发交通违规的场景，我们提出一种约束神经网络（NN）进化搜索方法来优化 AutoFuzz。我们对一个最先进的基于学习的控制器、两个基于规则的控制器和一个工业级控制器在五种场景中的原型评估表明，AutoFuzz 能在高保真仿真环境中高效发现数百起交通违规。对于每个场景，AutoFuzz 平均比性能最佳的基线方法多发现 10-39% 的独特交通违规。此外，用 AutoFuzz 发现的交通违规对基于学习的控制器进行微调，成功减少了新版本 AV 控制器软件中发现的交通违规。
引用
@article{arxiv.2109.06126,
title = {Neural Network Guided Evolutionary Fuzzing for Finding Traffic Violations of Autonomous Vehicles},
author = {Ziyuan Zhong and Gail Kaiser and Baishakhi Ray},
journal= {arXiv preprint arXiv:2109.06126},
year = {2022}
}