ReMAV：针对自主车辆寻找可能故障事件的奖励建模
摘要：使用离线轨迹分析来设计测试框架ReMAV，该框架能够智能地找到自动驾驶车辆自信度较低的状态，从而进行更有效的测试。通过奖励建模技术，我们可以创建行为表示，用于突出可能存在不确定行为的区域，即使基准自动驾驶车辆表现良好。我们在高保真度的城市驾驶环境中进行了实验，使用了包含单个和多个车辆相互作用的三种不同驾驶场景。实验结果显示，被测试的自动驾驶车辆发生车辆碰撞、道路障碍物碰撞、行人碰撞和偏离道路事件的次数分别增加了35％、23％、48％和50％，表明故障事件显著增加。我们还与之前的测试框架进行了比较分析，并显示它们在训练测试效率、找到总违规行为以及模拟步骤来识别首个故障方面表现不佳，而我们的方法则相对优势。结果表明，所提出的框架可以了解被测试自动驾驶车辆的现有弱点，以便只攻击这些区域，从而开始使用简单的干扰模型。
作者：Aizaz Sharif and Dusica Marijan
论文ID：2308.14550
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-29