SilGAN：为基于场景的软件在环测试生成驾驶操纵
软件工程
2021-07-16 v1 机器学习
摘要
汽车软件测试在很大程度上仍依赖昂贵的现场测试来确保质量，因为基于仿真的测试等替代方案相对不成熟。作为降低对现场测试依赖的一步，我们提出 SilGAN，一种深度生成模型，它简化了汽车软件在环测试的规范制定、激励生成与自动化。该模型使用从现场车辆记录的数据进行训练。训练完成后，模型利用对驾驶场景的简洁规范，生成该场景下可能发生的真实车辆状态转移。这种对车辆内部行为的逼真模拟可用于对车辆控制软件进行快速、系统且低成本的测试。此外，通过提出一种在该模型所学信息中进行搜索的针对性方法，我们展示了如何自动化诸如代码覆盖率之类的测试目标。我们提出的数据驱动端到端测试流水线极大地扩展了汽车基于仿真的测试的范围与可信度。这在帮助维持所需质量标准的同时缩短了上市时间。
引用
@article{arxiv.2107.07364,
title = {SilGAN: Generating driving maneuvers for scenario-based software-in-the-loop testing},
author = {Dhasarathy Parthasarathy and Anton Johansson},
journal= {arXiv preprint arXiv:2107.07364},
year = {2021}
}
备注
Preprint of article accepted at The third IEEE International Conference On Artificial Intelligence Testing 2021, Oxford, UK