.png){kind=icon}
返回
SimADFuzz: Simulation-Feedback Fuzz Testing for Autonomous Driving Systems
.png){kind=icon}
PRE
AI
DOI：10.1145/3744242.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动驾驶系统（ADSs）近年来取得了显著进展。然而，由于其驾驶场景的复杂性和不确定性，确保其安全性和可靠性仍是一个关键挑战。本文聚焦于ADS的仿真测试，其中生成多样化和有效的测试场景是核心任务。现有模糊测试方法存在局限性，如忽略场景的时序和空间动态，未能利用仿真反馈（如速度、加速度和航向）来指导场景选择和变异。为解决这些问题，我们提出SiMADFuzz框架，旨在生成高质量场景以揭示ADS行为违规。具体而言，SiMADFuzz采用违规预测模型，评估ADS违规的可能性，以优化场景选择。此外，SiMADFuzz提出基于距离的变异策略，以增强后代场景中车辆间的交互，从而触发更多边缘案例行为。全面实验表明，SiMADFuzz优于现有最先进的模糊测试工具，识别出73个独特的违规行为，包括5个可复现的车辆-车辆、车辆-行人及车辆-路侧碰撞案例。这些结果证明了SiMADFuzz在提升ADS鲁棒性和安全性方面的有效性。
Keyword:
Autonomous Driving Systems
Fuzz Testing
Simulation-based Testing
期刊
A
IF:
6.2
论文数:
1.2K
被引数:
3.4K
机构
引用论文
分享收藏TM-fuzzer: fuzzing autonomous driving systems through traffic managementTm-fuzzer：通过交通管理对自动驾驶系统进行模糊测试
PREAI
分享收藏Multiobjective evolutionary algorithms: A comparative case study and the Strength Pareto approach多目标进化算法: 比较案例研究和强度帕累托方法
PREAI
分享收藏A Taxonomy for Quality in Simulation-Based Development and Testing of Automated Driving Systems基于仿真的自动驾驶系统开发和测试中的质量分类法.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Learning Configurations of Operating Environment of Autonomous Vehicles to Maximize their Collisions
PREAI
分享收藏分享收藏DeepDriving: Learning Affordance for Direct Perception in Autonomous Driving深度驾驶: 自动驾驶中直接感知的学习能力
OAAI
OAAI分享收藏
查看更多内容