Oct, 2023

DeepQTest：使用强化学习和真实世界气象数据测试自动驾驶系统

HTML
PDF
TL;DR自主驾驶系统（ADS）是能够自动感知环境并独立作出驾驶决策的系统。本文介绍了一种使用强化学习的新型ADS测试方法DeepQTest，该方法通过学习环境配置以揭示异常ADS行为，并且实现了场景的真实性。在工业级ADS上的实验证明DeepQTest在生成导致碰撞的场景以及确保场景真实性方面具有显著的效果优势。
发现论文，激发创造
  • DeepTest: 深度神经网络驱动的自动驾驶汽车自动化测试

    本文介绍了DeepTest，一个系统的测试工具，可以自动侦测潜在的导致致命碰撞的深度学习驱动车辆的错误行为，通过生成最大化激活神经元数量的测试输入，并利用现实世界变化的驾驶条件（例如雨、雾、照明条件等）来自动生成测试用例，能够发现许多在Udacity自动驾驶汽车挑战赛中，三个表现最佳的深度学习神经网络车中，具有潜在致命意外的错误行为。

    Aug, 2017

  • DeepBillboard：自动驾驶系统的系统性物理世界测试

    通过 DeepBillboard 实现了一个针对自主驾驶场景的物理实验框架，可在多种动态变化的驾驶场景（包括观看角度、距离和光照）下生成一个强韧的、可打印的敌对广告牌，最大化了生成的广告牌对自动驾驶车的转向角度误差的影响，并通过物理实验验证了 DeepBillboard 的强大实用性。

    Dec, 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

  • 自动驾驶汽车演进测试场景生成方法和智能评估框架

    该研究旨在利用深度强化学习来创建人类行为类似的背景车辆，从而评估自动驾驶汽车的智能表现，并提出了一个包括安全、驾驶效率和交互效用的框架，用于评价和量化三个系统的智能绩效。

    Jun, 2023

  • 针对各种模拟驾驶操作的深度强化学习自动驾驶的全面培训和评估

    本研究通过实现、评估和比较两种深度强化学习算法（Deep Q-networks和Trust Region Policy Optimization）来训练自动驾驶车辆，以及开发和应用奖励函数，并在基于模拟环境的高速公路自动驾驶训练平台中进行评估，结果显示TRPO算法在大多数情况下以及将多种驾驶演练和多种路况情况集成于一体的ComplexRoads训练环境中效果最佳。

    Jun, 2023

  • 自动驾驶系统测试与改进的边界状态生成

    本文提出了一种用于ADS测试的新型测试生成器GenBo，通过修改自动驾驶系统的驾驶环境和边界条件，使得模型在具有挑战性的条件下训练和测试，重新训练后的模型在评估阶段相比原始模型具有最高达16%的成功率提升。

    Jul, 2023

  • 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

  • 强化学习用于自动驾驶系统在线测试的复制与扩展研究

    复制和扩展了前一次经验研究，研究表明引入强化学习与多目标搜索相结合的方式，在深度神经网络系统的在线测试中优于其他技术（随机搜索和多目标搜索）。新的 RL 代理能够收敛到一个有效策略，明显优于随机测试，并且揭示了进一步探索如何充分利用 RL 进行在线 ADS 测试的可能改进方向。

    Mar, 2024

  • 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