Jun, 2024

用情景程序查询标记时序数据

PDF
TL;DR确保自动驾驶车辆在道路上的安全性，模拟测试已成为道路测试的重要补充，其中对于验证 AV 行为是否与预期结果一致的需求与日俱增。本研究提出一种验证模拟时间序列故障与真实世界时间序列传感器数据一致性的方法，通过从真实世界时间序列数据集中检索故障场景实例，并定义了匹配的形式。实验证明了算法在具有挑战性和不常见的时间序列场景上的精确性和可扩展性，并提供了可在各种 CPS 中使用的查询算法的完整系统实现。
autonomous vehiclessimulation-based testingsim-to-real gaptime series datacyber-physical systems
发现论文，激发创造
  • 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

  • 基于场景的自动驾驶行为预测模型测试平台

    本文介绍了一种基于仿真的测试平台，支持用名为 Scenic 的概率编程语言进行情景建模，指定具有部分优先级排序的多目标评估指标，验证所提供的指标，以及进行可伸缩的测试。该平台包含 25 个 Scenic 程序库，并测试了行为预测模型并寻找失败情景。

    Oct, 2021

  • 自动驾驶车辆安全测试场景的生成和特征描述

    使用现代化驾驶模拟器，提出检测和生成测试方案的有效机制，通过量化方案复杂度的度量标准来定义基于避免事故的复杂度度量标准，并对未来的自动驾驶车辆进行改进提供了洞见。

    Mar, 2021

  • 系统数据采集与数据驱动仿真方法用于自动驾驶功能的安全测试

    增长的自动驾驶功能的复杂性和重要性，导致了对在虚拟环境和模拟模型中覆盖开发、验证和验证的显著比例的需求。我们提出了一种系统获取公共交通数据的方法，通过异构手段转换为统一表示，并用它来自动参数化交通行为模型，以用于数据驱动的自动驾驶功能的虚拟验证。

    May, 2024

  • AdvSim: 为自动驾驶车辆生成关键安全场景

    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

  • SAVME: 使用元学习实现自主系统的高效安全验证

    我们提出了一种贝叶斯方法，将元学习策略与多臂老虎机框架相结合，以加速自动系统的故障检测、减少模拟运行时间，并通过学习参数和准确模拟的分布来评估新场景中的学习速度。通过在先进的 3D 驾驶模拟器中应用 16 个保真设置来展示我们的方法，以评估基于自动化车辆事故前个体的各种场景，结果表明与仅依赖于高保真模拟器的传统方法相比，我们的方法加快了模拟速度，最多高出 18 倍。

    Sep, 2023

  • 自动驾驶车辆安全的高效黑盒评估

    研究实施了一种模拟测试框架来评估自动驾驶汽车系统的性能，并采用自适应重要性抽样方法加速稀有事件概率评估，评估了 Comma AI 的 OpenPilot，对自主车辆技术的测试和验证提出了新的方法。

    Dec, 2019

  • 通过模拟感知和预测来测试自动驾驶汽车的安全性

    本论文提出了一种新方法，通过模拟自动驾驶汽车感知和预测系统的输出，以可靠地进行运动规划测试，从而取代传统的昂贵且具有较大领域差距的传感器模拟。我们使用真实感知和预测输出与标签数据进行训练，从而预测在线系统的输出。此外，我们的方法以高清地图、边界框和轨迹为输入，可由测试工程师轻松手绘几分钟，这大大提高了可扩展性。通过两个大型数据集的定量实验结果表明，我们可以实现通过模拟来进行现实测试的全面方法。

    Aug, 2020

  • 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

  • 通过罕见事件模拟实现可扩展的自动驾驶汽车端到端测试

    开发了一种模拟框架，使用深度学习感知和控制算法来测试现代自动驾驶系统，通过自适应重要性采样方法来估计基于标准交通行为的意外概率，相对于蒙特卡洛抽样，可以提速 2-20 倍，并且比真实道路测试快 10-300 倍（P 为处理器数量）。

    Oct, 2018