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

CARLA 是一款用于自主驾驶研究的开源模拟器，支持模块化流程、模仿学习和强化学习，可用于研究不同驾驶方式在不同场景下的表现，提供数字建模和传感器套件等资源。

Nov, 2017

本文介绍了在 CARLA 模拟器中，基于 CaRINA2 架构设计了一个自主车辆导航系统，能够有效避免交通违规，具备障碍物检测、交通标志检测、风险评估、决策制定和控制等多个关键组件，利用卷积神经网络等技术实现。该系统在首届 CARLA 自主驾驶挑战赛中成绩斐然，取得了 3 个赛道的胜利。

Oct, 2020

本文阐述了自动驾驶中机器学习应用在大多数驾驶任务中的基础地位，但加入训练有素的代理会使车辆暴露于新型攻击和故障，从而对驾驶任务构成安全威胁；文章实验研究了在驾驶模拟器中注入对抗攻击和软件故障对自主代理的影响，指出对训练有素的代理进行攻击注入和故障注入可能导致错误决策从而严重危及安全。本文提出了一个可行且易于重现的方法，基于开源模拟器和工具，并且旨在明显地促进保护措施和广泛的测试活动的必要性。

Feb, 2022

本文提出的自适应评估框架可以通过深度强化学习生成对自动驾驶车辆具有挑战性的敌对环境，应用了集合模型来表示不同本地最优解以及非参数贝叶斯方法来对敌对策略进行聚类，验证表明所生成的敌对环境可以明显降低被测试车辆的性能，通过此方法可以推断所测试车辆的缺陷。

Apr, 2020

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

本文介绍了 AdvSim，这是一个对任何基于 LiDAR 的自主系统生成安全关键场景的对抗性框架，通过直接从传感器数据模拟获取针对全自主栈的安全关键场景。

Jan, 2021

通过对环境增强的方式，本文研究了一种用于安全端到端驾驶的闭环对抗训练框架（CAT），通过训练代理程序处理动态生成的安全关键场景，以持续提高驾驶代理的安全性能。实验结果表明，经过 CAT 训练后，代理程序在回放日志和安全关键交通场景中能够实现卓越的驾驶安全性。

Oct, 2023

本文提出了一个基于 CARLA 模拟器的即时级数据生成流水线，生成了 DCI 数据集，并对三种检测模型和三种物理对抗攻击进行了广泛的实验，发现 Yolo v6 具有最强的鲁棒性，只有 6.59％的平均 AP 下降率，而 ASA 是最有效的攻击算法，平均 AP 下降率为 14.51％，是其他算法的两倍。

Apr, 2023

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