日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網

  • 公眾號

    • 汽車測試網

    • 在線課堂

    • 電車測試

自動駕駛系統(tǒng)在路口場景測試的適應度函數(shù)研究

2021-12-22 00:15:02·  來源：同濟智能汽車研究所  
　
編者按：本篇研究工作為生成自動駕駛測試用例提供了解決思路，依據本文提出的方法論可以高效搜索，生成具有測試意義的場景（既具備預期的形式，又可以對自動駕駛
編者按：本篇研究工作為生成自動駕駛測試用例提供了解決思路，依據本文提出的方法論可以高效搜索，生成具有測試意義的場景（既具備預期的形式，又可以對自動駕駛系統(tǒng)造成挑戰(zhàn)，以測試相關功能）。本文提出的方法論將在高速公路路段上的適應度函數(shù)轉移到交叉路口場景，具有較好的易用性和擴展性，適應度函數(shù)間進行組合也相當直觀，并對擴展時會遇到的缺陷進行了規(guī)避。
本文譯自：
《Fitness Function Templates for Testing Automated and Autonomous Driving Systems in Intersection Scenarios》
文章來源：
2021 IEEE Intelligent Transportation Systems Conference (ITSC)
作者：
Nicola Kolb, Florian Hauer, Alexander Pretschner
原文鏈接：
https://ieeexplore.ieee.org/abstract/document/9564591

摘要：基于場景的測試方法，是測試自動駕駛系統(tǒng)的常用方法。專家推導出諸如“十字路口左轉”之類的場景類型，并將其提煉為參數(shù)化的場景。參數(shù)域的范圍往往包含可能的測試用例，并非所有這些直觀的測試用例都是“好的”測試用例，盡管它們的形式都是正確的，并對測試中的駕駛系統(tǒng)構成了挑戰(zhàn)。對于“好的”測試用例的選擇，文獻提出了基于搜索、以適應度函數(shù)為優(yōu)化目標的技術。現(xiàn)有的工作集中在技術方面或創(chuàng)建專用的適應度函數(shù)，而很少在方法論方面進行研究，以派生適當?shù)倪m應度函數(shù)。以適應度函數(shù)模板的形式進行的方法論研究，迄今為止只在高速公路的直線段進行實例化。如何為其他道路環(huán)境(如十字路口場景類型)，創(chuàng)建適當?shù)倪m應度函數(shù)的方法論尚未解決。在本文工作中，我們將現(xiàn)有的高速公路適應度函數(shù)模板轉移到交叉路口，為搜索技術在基于場景的測試中如何避免可能出現(xiàn)的缺陷提供幫助，并驗證了適應度函數(shù)轉移模板的適用性。
關鍵詞：自動駕駛測試，交叉路口區(qū)域，測試方法，適應度函數(shù)
1 引言
自動駕駛系統(tǒng)測試常常以基于場景的模擬測試方法進行，其中交通場景被編碼，并抽象為所謂的場景類型[18]。例如圖1所示的T型路口場景，被測車輛e(包含正在測試的駕駛系統(tǒng))想要向左轉彎，而另一輛車輛c從對向直線駛入路口?；趫D1有許多不同類型的測試場景實例，例如左轉彎與不同的速度迎面而來的交通。業(yè)界和現(xiàn)有研究工作中的常見做法(調查見[22])是將場景類型轉化為參數(shù)化場景[18]。在我們的示例場景類型中，有幾個方面可以被參數(shù)化，即被測車輛的初始速度以及迎面而來的交通參與者的啟動時間和速度(圖1，右)。為每個參數(shù)分配一個具體的值便會產生一個場景實例，作為一個潛在的測試用例[18]。

圖1 交叉路口場景的參數(shù)化示例
然而，并非參數(shù)空間中的所有場景實例都具有正確的形式，也就是說，它們不包含預期的車輛動作(此處為左轉)，或呈現(xiàn)與其他交通參與者的“不相關”的相對位置。在那些形式正確的場景實例中，并非都對測試中的駕駛系統(tǒng)提出挑戰(zhàn)，例如周圍的車輛都處于距離被測車輛較遠的位置。相反，“好的”測試用例必須可以在參數(shù)空間中識別并包含預期車輛動作，并對被測系統(tǒng)造成挑戰(zhàn)[13]。
文獻[1]，[2]，[5]，[7]，[8]，[13]，[16]等的研究工作，均提出使用基于搜索的方法。在所謂的適應度函數(shù)的指導下，這些技術旨在確定有趣的場景實例。適應度函數(shù)作為描述測試用例質量的定量度量，在此基礎上系統(tǒng)地派生相關的測試用例[10]?；谒阉鞯臏y試用例選擇，在技術方面已經得到了廣泛的理解和研究。但是，現(xiàn)有的多數(shù)研究工作都假定了適應度函數(shù)，或者為特定的系統(tǒng)或場景類型[13]臨時創(chuàng)建它。對于工業(yè)中的實際應用，這種假設是有問題的，因為適應度函數(shù)的質量對于測試結果是至關重要的。因此，在推導適應度函數(shù)時，需要方法論指導。在團隊之前的研究工作[13]中，我們以適應度函數(shù)模板的形式提供了這樣的方法論，但僅在高速公路環(huán)境中進行測試用例的實例化，而忽略了其他場景環(huán)境。
這項工作的貢獻是雙重的：
我們將先前的工作[13]中的高速公路場景的適應度模板，進行推廣、調整和轉換到交叉路口場景，并論證了其適用性，為基于搜索的自動駕駛系統(tǒng)測試技術增加了方法論基礎和實踐。
在將基于搜索的方法應用到應該避免的場景上測試時，我們強調了相關的方法論缺陷。
2 基于場景的測試方法概述
圖2給出了基于場景的自動駕駛系統(tǒng)測試過程的抽象概述。專家們根據可用的規(guī)范、要求，以及關于被測駕駛系統(tǒng)及其交通環(huán)境的心理學模型，推導出場景類型。作為補充，可以基于駕駛數(shù)據，對場景實例進行自動聚類，并對生成的場景類型列表進行完整性評估（圖2中的⑦），如在實際交通數(shù)據集上進行驗證[15]。然后通過使用一組相關參數(shù)類型（圖2中的⑩），為它們派生（圖2中的⑧）參數(shù)化的場景類型（圖2中的⑨）。在之前的研究工作[13][14]中，我們將參數(shù)化場景定義為(F, P, D)。其中F為參數(shù)化場景的內容，也包含場景的非參數(shù)化部分；P描述了參數(shù)化的場景元素pi∈P，i=1,…,n，以及對應的域di∈D。這些參數(shù)的域構成了巨大的場景實例空間A=d1×…×dn-1×dn∈Rn，a∈A[18]。為了從這個場景實例空間A中選擇“好的”測試用例，文獻[1]，[2]，[5]，[7]，[8]，[13]，[16]在基于搜索的優(yōu)化dsafe方法上進行了深入研究。本文研究工作的重點是適應度函數(shù)（圖2中?）的派生(圖2中?，用灰色突出顯示)，用于指導優(yōu)化生成（圖2中?）“好的”測試用例（圖2中?）。這種生成通常涉及使用系統(tǒng)模型?進行模擬設置。


圖2 基于場景的測試過程的抽象描述(以前的版本出現(xiàn)在[12][15]中)

3 適應度函數(shù)模板和使用
我們的方法論指導包括兩個方面：(1)我們?yōu)榛赱13]的交叉路口場景類型，提供適應度函數(shù)模板；(2)展示它們的正確用法。通過這種方式，我們的目標是減少從業(yè)者創(chuàng)建適應度函數(shù)來識別所需形式的具有挑戰(zhàn)性的場景實例時的努力和錯誤的可能性。
A．適應度函數(shù)模板
本文的研究目標是產生“好的”測試用例，這些測試用例是揭示潛在的錯誤系統(tǒng)行為的場景實例。在“好的”測試用例中，正確的被測系統(tǒng)會接近但不會超出安全邊界，而有缺陷的系統(tǒng)則會超過了安全邊界[13]，[21]。這就要求場景實例既具有挑戰(zhàn)性，又具有預期的形式。
以下模板確保搜索哪些場景實例具有預期的形式并具有挑戰(zhàn)性。我們將[13]的模板從高速公路場景轉移，并推廣到交叉路口。我們假設基于搜索的方法是最小化的。
1）違反安全邊界的模板：如圖3中的示例：當對向車道有車輛c駛來時，自動駕駛汽車e應在十字路口向左轉彎。如果系統(tǒng)決定在車輛c前左轉，必須保持一定的安全距離(在時間或空間上安全)以確保安全。在轉彎過程中，車輛之間保持一段距離(見圖3，左)。為進行簡要解釋，圖3中畫出了空間中的距離。然而，我們也可以考慮其他可用于定義安全邊界的、可測量的標準。


圖3 d, dsafe和?d的變化過程
直觀地說，人們可能傾向于應用基于搜索的方法來搜索距離d (或其他度量)最小的場景實例。然而，這種傾向是存在問題的，主要有兩個原因：（1）搜索將是oracle問題[4]的一個實例，最小的d可以表示兩車發(fā)生碰撞。然而，碰撞可能是，也可能不是由被測車輛造成[7]，[8]。因此，很難判斷碰撞是否是被測駕駛系統(tǒng)不安全行為的結果。（2）搜索到的目標可能是沒有挑戰(zhàn)性的測試用例。被測駕駛系統(tǒng)可以在較低的駕駛速度下接受較低的安全距離，從而將搜索導向低速場景。然而，最為違反安全的時刻(或最接近違反安全的時刻)可能是，也可能不是在低速情況下。
我們提出以下模板(基于[13])來搜索交叉路口的違反安全行為，如圖3所示:


其中，?d(t) = d(t)- dsafe(t)表示距離超出安全邊界的緩沖區(qū)。場景實例的適應度值是最小的，即場景中最接近超出安全邊界的時刻。當fsafety處于極小值時，避免了上文討論的問題：（1）模板的結構中包含了一個oracle。當fsafety為正值時，尚未超出安全邊界，并且可知緩沖區(qū)域的大??；如果是負值，說明超出安全邊界，并其可知超出安全邊界的程度。（2）當?d(t)最小時，將搜索出關鍵場景實例，因為說明最接近違反安全的時刻(假設系統(tǒng)安全)或最為違反安全的時刻(假設系統(tǒng)故障)被識別。這允許了以下關于安全的推理：如果沒有min(?d(t))<0的場景實例，可以假設被測系統(tǒng)在這種參數(shù)化場景類型的所有實例中都是安全的。
在適應度模板中，可以用任何描述安全的、可測量的量代替dsafe(t)，例如在時間或空間上。在我們的實驗中，我們使用的是RSS[24]提出的安全邊界，但任何其他安全距離，如[20]，[23]，同樣可以使用。
2）確保所需場景形式的模板：為了安全論證，有必要“證明”被測駕駛系統(tǒng)在各種類型的場景中均表現(xiàn)良好，這就需要確保場景實例具有預期的形式，即是特定場景類型的實例。
一個簡單的適應度函數(shù)模板如下：如果場景不是預期的形式，則分配一個糟糕的常量適應度值。如果是預期的形式，則分配適宜的常量適應度值。但這種模板并沒有為基于搜索的測試技術的參數(shù)空間提供良好的指導。相反，我們建議：非預期形式的場景實例產生的適應度值，越接近預期的形式越良好。對于是預期形式的場景實例，將產生一個良好的常量適應度值。在預期形式的場景實例中確定最具挑戰(zhàn)性的場景實例，將由“違反安全”的模板決定。
我們建議以下模板，對我們之前的工作[13]進行了概括，并使模板適用于交叉路口場景：


其中，
表示一個場景類型的時間或空間方面的變量，例如，在被測車輛開始左轉的時刻tl，該場景中行人的位置。如果r(tl)在范圍[lb, ub]內（上界為ub，下界為lb），此時場景實例就處于預期形式，例如行人的位置在被測車輛的行駛車道范圍內，以確保被測車輛在此場景下必須減速反應。下面，我們將展示三個示例：
有兩個邊界的空間位置(l)：在圖4(左)中，描述了行人場景類型。本車e向左轉彎，并應必須對行人p作出反應。這要求行人處于危險狀態(tài)，即本車確實向左轉彎時，行人橫穿過本車行駛的車道。行人所在的區(qū)域在其行進方向上以lb=x1和ub=x2為界，在垂直方向上以斑馬線標志為界。這僅是一個簡單的解釋，行人也可能不在斑馬線內橫穿馬路。在本車進行左轉彎的時刻tl，將行人的位置xp(tl)與以下距離進行比較：


如果行人位置不在范圍內，適應度值越低，或適應度值越接近閾值，則越好。


圖4 有兩個左邊界和一個右邊界的場景
有一個邊界的空間位置(l)：圖4(右)的測試示例，用于本車是否在對向駛來的車輛到達之前安全地進行左轉彎。然而，在許多場景實例中，本車在對向駛來的車輛后面轉彎。這并不一定是壞的，因為這是安全的行為，但在這種場景實例下進行測試，不能得出本車系統(tǒng)在對向車輛到達前可安全左轉彎的結論。相反，只有選擇在本車在對向車輛前轉彎的場景實例，才能測試本車的相關功能。這可以通過測量在本車e穿過對向車輛c行駛車道的瞬間，本車和對向車輛在x方向上的距離來檢測。因此只給出了一個邊界，fform的第二個邊界則被省略[13]：


如果本車從對向車輛后面經過，本車轉彎時與對向車輛的距離越近，適應度值越高。
有兩個邊界的時間(t)：對行人場景類型可以有不同的解釋：行人應在不早于本車開始左轉前t1秒、不晚于本車開始左轉t2秒后開始過馬路。行人開始過馬路的時刻用tl表示。同樣，我們可以應用模板，但要確保是在時間上加以分類[13]:


如果行人沒有按時出發(fā)，那么開始過馬路的時間越接近期望的區(qū)間[t1, t2]，適應度值越高。
B．模板的組合
一旦為某個場景類型選擇了模板，就需要將它們組合起來進行搜索。在[13]的基礎上，我們提出多目標搜索，根據帕累托（pareto）原則去優(yōu)化適應度數(shù)組：對于兩個分別具有適應度數(shù)組F1/2的測試用例tc1/2，如果所有的適應度值f1，i至少和適應度值f2，i相同，并且存在一個f1，j比f2，j更好，則可以認為tc1優(yōu)于tc2。
每個模板都替換一個這樣的fn，生成一個最終的適應度數(shù)組F= [f1…fm]，m為各個場景類型所需的模板數(shù)量，其中m?1個模板用于確保所需的場景形式，剩下的一個模板用進行“違反安全”相關的搜索。這種分布是必要的，以避免III-C中所提及的缺陷。
每個模板fa要求另一個模板fb是零，并擴展成
。例如，左轉彎的安全距離只能在有對向車輛駛來之前進行左轉彎時被測量。當fb不為零時，搜索技術不會計算fa，而是將其設置為一個較高、較差的值[13]。


當適應度數(shù)組F確定后，即可進行搜索。首先，在fa優(yōu)化之前，需要依賴其他模板的模板fb被置為零。數(shù)組中的最后一個模板是“違反安全”模板fsafety，這意味著當適應度數(shù)組F=[0 … 0 fsafety]時，搜索會在屬于預期形式的場景實例中找到最具挑戰(zhàn)性的場景實例。由于最終只優(yōu)化單個適應度值，避免了難以解釋的帕累托前沿（paretofront），產生一個明確的、“最佳”測試用例。
C．模板使用和缺陷避免
基于搜索的測試用例生成方法為基于場景的測試[2]，[13]提供了安全認證的重要基礎：基于搜索的方法試圖識別具有最佳適應度值的測試用例。如果這個“最佳”測試用例揭示了被測系統(tǒng)的錯誤行為，那么無論如何這個系統(tǒng)都需要改進。然而，即使在這個測試用例沒有揭示出有缺陷的系統(tǒng)行為，我們也獲得了相關信息。根據定義，在參數(shù)化場景的參數(shù)空間中沒有更好的測試用例。因此，我們確信系統(tǒng)在參數(shù)空間中的所有場景實例中都是安全的。但這需要基于搜索的方法在搜索這個“最佳”測試用例時表現(xiàn)良好，對于這個測試用例已經提出了幾個建議，例如[1]，[10]。
當應用基于搜索的方法時，重要的是要確保論證過程成立，否則測試結果將不能提供所需的支撐，同樣不能作為安全論證的基礎。我們討論了將基于搜索的方法應用于基于場景的測試的兩個最重要的方法論含義。
1)為場景類型創(chuàng)建搜索問題：為了安全論證，測試需要提供駕駛系統(tǒng)安全行為的證據。這需要證明系統(tǒng)在每種測試場景[15]，[17]中都是安全的。對于每一種場景類型，都必須生成“最佳”的測試用例。這意味著，每個場景類型至少有一個搜索結果，并為預期的場景類型生成測試用例，然后可以應用所提供的模板。
因為所有基于場景的測試方法都是這樣，所以對場景類型[11]、[17]的粒度級別有很強的依賴性?？梢允褂脠鼍邦愋汀氨拒囋谟袑ο蜍囕v駛來的十字交叉路口左轉彎”來進行安全論證，也可能使用“本車在四方向交叉路口左轉彎，每個方向都有一條車道，只有一輛對向駛來的車輛”。在第一種場景類型下，參數(shù)化的場景需要一個參數(shù)來表示車道數(shù)和對向車輛數(shù)。然后，在適應度函數(shù)的幫助下，從所有符合上述參數(shù)化描述的交叉路口中抽取出“最佳”測試用例。第二種場景類型的顆粒度更細，因此有一個更嚴格的預期形式，需要不同的適應度函數(shù)。
如何選擇正確的場景類型粒度級別，這一問題并不僅限于基于搜索的測試工作；任何基于場景的測試工作都在各自的粒度級別上做假設，通常是隱式的。在[3]和[18]中，對粒度級別提出了建議，但這仍然是一個正在進行的討論。
2)為安全標準創(chuàng)建搜索問題：測試系統(tǒng)行為所依據的安全標準極大程度地影響測試用例的生成。通常情況下，駕駛系統(tǒng)必須保持不止一段安全距離，例如與場景中的不同車輛之間的安全距離，或與另一輛車輛之間的縱向和橫向安全距離。
除了預期形式的模板外，還為每個安全距離的多目標搜索添加一個適應度值。然后通過搜索識別那些違反其中一個安全距離的場景實例。然而，這并不像預期的那樣有效：多目標搜索使用了上述的帕累托原則。這意味著，對于一個安全距離的剩余緩沖區(qū)(見III-A.1節(jié))，不能在不最小化另一個安全距離的情況下最小化這個安全距離。直觀地說，一個系統(tǒng)可以違反縱向安全距離時，并不接近違反橫向安全距離。
相反，一次只能優(yōu)化一個安全距離，即使在“同一個公式”中有多個安全距離的組合表示，也需要多個優(yōu)化。例如，縱向的安全距離通常要比橫向的安全距離大得多，如城市交通縱向安全距離可達20米，而橫向的安全距離則小于1米。假設將其表示為單一的安全“公式”，并計算單一的適應度值，通過搜索先生成的測試用例，通常是系統(tǒng)接近(或違反)橫向安全距離的。

4 試驗
A．場景類型和搜索
由于空間的限制，我們只能討論一種示例性場景類型的搜索(如圖1)：本車e在十字路口左轉，并有對向車輛c駛來。本車可以在對向車輛的前部或后方進行左轉彎。按照我們的流程，這需要進行分類討論：對向車輛前和對向車輛后(見第III-C.1節(jié))。在這兩種情況下，我們感興趣的安全距離分別在x和y方向(見第III-C.2節(jié))，我們將[13]的視角從一維(x)擴展到二維(x,y)?？偟膩碚f，我們需要對這個特定的場景類型進行4次搜索，以便能夠確定測試的駕駛系統(tǒng)的行為安全。搜索一個接一個地執(zhí)行。圖7和圖8描述了其中一個搜索的結果(case: x，對向車輛前)。
B．適應度函數(shù)推導
預期形式：唯一的形式標準是本車在對向車輛前方或后方進行左轉彎(見圖5)。因此，每一種情況只需要一個單一的適應度函數(shù)模板就可以確定預期的形式。對于“本車在對向車輛前方左轉”這種情況，應用“有一個邊界的空間位置”模板：


對于“本車在對向車輛后方左轉”，判斷標準改為xe(tl)≥xc(tl)即可。
安全性：作為安全距離，我們使用了受RSS模型[24]啟發(fā)的空間距離。詳細說明請參考[24]。我們用dsafety x/y表示安全距離公式，用fsafety x/y表示安全距離違反模板 (見圖6)。
組合：模板間的組合很直觀，見下式：




圖5 在對向車輛前方左轉(左)/后方左轉(右)


圖6 在對向車輛后方左轉場景(左轉后)-縱向和橫向安全距離
C．試驗設置
我們使用了受[19]啟發(fā)的被測駕駛系統(tǒng)，該系統(tǒng)集決策、路徑規(guī)劃和控制于一體的模型預測控制技術。系統(tǒng)的確切行為并不重要，因為我們關注的是模板和方法論，而非系統(tǒng)的性能。作為仿真試驗設置，我們使用MATLAB\Simulink結合應用廣泛的IPG Carmaker。并使用了多目標算法NSGA-II[9]進行搜索，種群大小為50個，搜索代數(shù)為20代。這意味著在1000個測試用例中測試系統(tǒng)，盡管我們最感興趣的是“最好的”一個，所提出的模板和方法論顯然可以與其他任何仿真工具和多目標搜索技術相結合。
D．試驗結果
圖7給出了每個種群的平均適應度值和最佳適應度值。這提供了兩個主要的結論：（1）平均適應度值一開始較高，并分兩步減少。最開始隨機選擇的場景實例并不符合期望的形式，從而產生較高的平均適應度。當種群包含幾個場景實例，平均適應度第一次和第二次顯著下降，因為種群中的大多數(shù)場景實例不僅是預期形式，而且還對被測車輛具有挑戰(zhàn)性。這提示模板引導搜索到預期形式的、對被測車輛有挑戰(zhàn)性的場景實例。（2）最佳適應度值一開始較高，當找到至少一個預期形式的場景實例后，就立即有大幅的下降。并隨著代數(shù)增加不斷下降，接近我們方法所需要的“最佳”測試用例。


圖7 每個種群的平均和最佳適應度值
圖8所示為本車在對向車輛所在車道上左轉時，“最佳”測試用例的縱向距離（絕對距離dx，剩余緩沖區(qū)距離?dx，安全距離dsafety, x），以及系統(tǒng)最接近“違反安全”的場景快照。本車的行駛非常保守：即使在“最好”的測試案例中，本車車也會在26米的最小安全距離上保留一個剩余緩沖區(qū)。


圖8 最佳測試用例的安全距離變化情況和截屏
E．討論
由于篇幅的限制，我們只討論單一場景類型的實驗結果。然而，此演示顯示了所提供的模板和方法論的易用性。對于更復雜的場景，有更多的交通參與者，要求更高的環(huán)境(如三車道交叉路口)，以及場景參與者之間更復雜的時空交互，幾個模板需要多次應用。即使這樣，基于適應度值數(shù)組的組合也相當直觀。多目標搜索將確保場景實例具有所需的形式和挑戰(zhàn)性。因此，幾乎所有相關的情況都可以用模板來表示。然而，我們當然不能保證這些模板涵蓋“所有”場景類型。希望方法論能夠幫助專家創(chuàng)建足夠的適應度函數(shù)，并以覆蓋所有道路環(huán)境為目標。適應度函數(shù)模板是基于搜索和場景的通用測試方法的一個有前途的基礎。下一步的研究工作希望通過使用從真實駕駛數(shù)據中獲得的場景目錄，對該方法進行驗證。此外，我們正研究該模板在其他道路情況下的適用性和完整性，如環(huán)形路口。

5 相關工作
近期有較多基于場景的測試方法的研究工作，我們參考[22]為一個廣泛的調查和討論與本文工作較為接近的研究。
一些現(xiàn)有的基于場景測試和搜索的技術應用類似本文的方法來生成測試用例，用于制動[1]、[5]、車道保持[10]和自適應巡航控制[1]系統(tǒng)。它們的適應度函數(shù)是專門為單個場景類型創(chuàng)建的，并不適用于其他系統(tǒng)和其他場景類型。其他工作提供的適應度函數(shù)，旨在減少安全駕駛空間，對被測駕駛系統(tǒng)的運動規(guī)劃提出挑戰(zhàn)[2]；或者旨在產生可避免的碰撞[7]，[8]。雖然這些方法直觀地產生了具有挑戰(zhàn)性的測試用例，但它們不能確保預期的場景形式，因此不能為安全性論證提供合適的基礎。
文獻[16]中提出了一種方法，將場景描述語言(如“在車道上”或“位于后方”)轉換為軌跡規(guī)劃問題，以便創(chuàng)建基于lanelets的場景實例。他們并不關注方法論，即不關注如何創(chuàng)建適應度函數(shù)并將其應用于其他可能不使用lanelets的場景上，關注的是技術方面。文獻[6]的研究團隊為單一的、特定的城市交叉路口場景類型提供了適應度函數(shù)。但也沒有為適應度函數(shù)的推導提供方法論方面的指導。在本團隊之前的研究工作[13]中，我們提供了僅適用于公路場景的適應度模板，以確保場景實例具有預期的形式并對被測車輛有挑戰(zhàn)性。

6 結論
本文研究工作從為基于搜索的技術推導適應度函數(shù)提供方法論指導出發(fā)，因為適應度函數(shù)是測試用例的質量度量，因此也是系統(tǒng)性能的度量，所以構造適應度函數(shù)需要格外謹慎。否則，安全性就無從談起。
在本文研究工作中，我們以適應度函數(shù)模板的形式為交叉路口場景類型提供了方法論指導，補充和推廣了我們之前在高速公路場景上的工作。討論了多種情況下如何應用和組合模板，并解釋在使用基于搜索的方法進行場景測試時如何避免缺陷。
試驗展示了適應度模板的易用性，并提供了引導搜索技術找到預期形式的場景實例的方法論，這些場景實例對被測駕駛系統(tǒng)具有挑戰(zhàn)性。我們希望所提出的方法論能夠幫助專家為交叉路口場景創(chuàng)建足夠的適應度函數(shù)，而邊界情況可能需要對適應度函數(shù)模板進行擴展。
參考文獻






分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25