.png){kind=icon}
返回
Risk-guided efficient scenario selection for autonomous driving testing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.future.2025.108173.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 我们提出EF-Fuzz框架，结合机器学习和启发式方法来优化面向SOTIF测试的模糊测试。
• EF-Fuzz集成了一个场景风险预测模块，用于选择可能触发安全风险的种子。
• 一个风险引导队列优先处理高风险种子，同时保持随机探索以避免局部最优。
• 在CARLA中与Apollo的测试表明，EF-Fuzz在风险发现方面比DriveFuzz提高了37.9%的效率。
期刊
F
IF:
0
论文数:
642
被引数:
0
机构
引用论文
Testing Scenario Library Generation for Connected and Automated Vehicles, Part I: Methodology联网和自动化车辆的测试场景库生成，第一部分: 方法
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏scenoRITA : Generating Diverse, Fully Mutable, Test Scenarios for Autonomous Vehicle PlanningscenoRITA: 为自动驾驶车辆规划生成多样化、完全可变的测试场景
PREAI
分享收藏
没有更多内容
没有更多内容