Aug, 2019

具备机器学习组件的自动驾驶车辆需求驱动测试生成

PDF
TL;DR提出了一种使用信号时序逻辑（STL）的测试框架，以实现需求驱动的方法来测试自动驾驶汽车的复杂系统，该框架支持机器学习等深度神经网络组件，可以评估控制算法和包括车载环境的感应器模型，提供能够增强控制器设计调试和测试可靠性的测试用例。
autonomous vehiclesrequirements-driven approachtesting frameworksignal temporal logicmachine learning
发现论文，激发创造
  • 基于仿真的带机器学习组件的自动驾驶车辆对抗测试生成

    本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

    Apr, 2018

  • 自主车辆的自适应应力测试

    本文提出了一种测试自动驾驶汽车决策制定系统的方法，该方法使用强化学习算法找到最可能发生故障的场景，通过模拟车辆接近人行横道的情况证明了该方法的通用性。

    Feb, 2019

  • 自主驾驶汽车的正式场景测试：从仿真到现实世界

    本文提出了一种基于形式化方法的智能汽车自动场景测试的新方法，结合仿真和实际测试，并通过实验验证形式化仿真可以有效识别可在跑道上运行的测试用例，仿真和真实世界之间的差距可以得到系统评估和弥合。

    Mar, 2020

  • 深度强化学习对恶劣车库场景生成的研究

    自主车辆需要行驶超过 110 亿英里以确保其安全性。因此，在进行真实世界测试之前进行模拟测试的重要性是不言而喻的。近年来，以 Carla 和 CarSim 为代表的自主驾驶三维模拟器的发布，标志着自主驾驶模拟测试环境从简单的 2D 俯视图过渡到复杂的三维模型。本论文提出了一个基于深度强化学习的自动生成程序的框架，该框架可以生成不同的二维地面脚本代码，用于构建三维模型文件和地图模型文件。生成的三维地面场景在 Carla 模拟器中显示，实验者可以使用该场景进行导航算法模拟测试。

    Jul, 2024

  • 高速公路自动驾驶车辆的自适应应激测试新框架

    我们提出了一个基于自适应压力测试方法的新框架，用于系统地探索可能导致安全问题的角落案例，以提高自动驾驶汽车的安全性和可靠性。

    Feb, 2024

  • 自适应压力测试模拟中的有效自主验证

    为了解决使用 DRL solver 的这两个主要问题，我们使用了循环神经网络，该神经网络具有连续空间中的一组初始条件，并且可以跨越整个初始条件空间进行推广，从而使得解决方案具有鲁棒性和高效性。

    Jul, 2019

  • 信号时态逻辑神经预测控制

    通过直接学习神经网络控制器以满足信号时间逻辑 (STL) 的要求，以确保长期机器人任务的安全性和满足时间规范的挑战。同时，采用备用策略以保证控制器故障时的安全性。该方法可以适应不同的初始条件和环境参数，并在复杂的 STL 规范任务中以 10 倍至 100 倍速度快于传统方法。

    Sep, 2023

  • 从基于模型到数据驱动的仿真：自动驾驶中的挑战和趋势

    本研究探讨了自动驾驶汽车仿真实验中的各种挑战及其类型，并总结了当前的解决方案，其中包括数据驱动、生成式方法和高保真数据合成近年来逐渐取代基于模型的仿真。

    May, 2023

  • 大语言模型自动驾驶的安全要求工程化

    基于大型语言模型的原型管道可以在每次更新后自动细化和分解需求，还能对需求数据集进行审查，找出冗余或矛盾的需求，该研究通过多个迭代的设计科学，让不同公司的专家从定量和定性两个方面评估每个周期，最终在一个案例公司中实施了原型，并由负责团队评估其效率。

    Mar, 2024

  • 从数据中提取加强的检索辅助的时间逻辑规范

    从观察行为中学习 Signal Temporal Logic (STL) 的要求，通过结合贝叶斯优化和信息检索技术，同时学习 STL 公式的结构和参数，提高了对于需求挖掘的有效性，进一步推动了在计算机物理系统中的研究。

    May, 2024