22、自动驾驶感知测试研究

自动驾驶感知测试研究

1. 背景

• 自动驾驶车辆感知 ：众多报告显示，自动驾驶车辆在数百万英里的道路测试中表现出色。其最基本且关键的部分是感知系统，涵盖摄像头、毫米波雷达、激光雷达（LiDAR）、红外传感器和GPS等，能模拟人类驾驶员感知环境信息。深度神经网络（DNNs）常被用于从输入中提取信息特征，最新研究也聚焦于深度学习的应用，如基于单RGB相机的3D目标检测框架。
• DNNs与对抗样本 ：典型的DNNs模型由多个处理层组成，可提取输入的不同特征，多数情况下能取得优异性能，如AlexNet赢得ILSVRC2012冠军，YOLO - v3目标检测模型高效快速，被应用于多种实验性自动驾驶车辆和机器人。然而，DNNs模型可能易受对抗样本影响，这些样本是在输入中添加精心设计的扰动而形成的。已有多种攻击方法被提出，如FGSM、Deepfool等，在黑盒测试任务中，也有使用生成对抗网络（GAN）、差分进化算法（EA）等生成对抗样本的方法，而本次研究在黑盒测试中采用强化学习（RL）方法。
• 自动驾驶车辆软件测试 ：一些国内外汽车制造商正在为新的自动驾驶车辆构建测试系统。现实世界中的多起事故表明，自动驾驶车辆并非如人们预期的那样安全，许多故障可归因于基于DNNs的车载软件的错误或意外的极端情况故障。边界值测试是测试极端情况故障的有效方法，对抗样本通常接近DNNs决策边界，且不仅在数字图像中有效，在现实世界中也同样适用。

2. 测试用例设计方法

• 白盒测试的迭代方法