微信里点“发现”，扫一下
二维码便可将本文分享至朋友圈
演讲摘要：在自动驾驶安全性的研究和应用中，测试里程长、暴露危险场景单一的问题使自动驾驶安全性能的提升受到限制。使用对抗性场景进行测试被认为是解决上述问题的重要手段。然而，现有研究采用通用的优化算法作为框架，将大量计算资源浪费在了对参数空间的探索过程中，效率低下。在计算成本的约束下，这些算法甚至无法在更复杂的环境中测试出足够多、足够丰富的失效样本。复杂环境中的对抗性场景测试面临三大挑战：1）信息匮乏；2）对抗性样本在庞大的参数空间中稀疏分布；3）搜索过程中探索与利用难以平衡。本文从这三大挑战出发，提出一种高效的对抗性场景测试框架，通过代理模型来获取更多关于参数空间的信息，精选小样本以打破庞大空间中稀疏事件的制约，在未知区域和对抗性样本附近的目标进行有针对性的搜索和更新，以实现探索和利用的平衡。实验证明，本文提出的方法的搜索效率是随机采样的 4 倍，相对于现有的优化搜索算法亦增加一倍以上，在有限的仿真测试次数下，生成了更多的测试用例以使被测自动驾驶算法失效。特别地，本文提出的方法能够找出许多离群的对抗性样本，揭示出现有算法无法识别的失效模式。本文提出的方法能够快速、全面地定位出被测算法的脆弱场景，为自动驾驶算法的测试验证、迭代升级提供支持。
讲者简介：桑明，2020年6月毕业于长安大学车辆工程专业，获工学学士学位；2020年7月至2021年6月在上汽通用五菱汽车技术中心担任前瞻技术工程师。2021年8月至今，桑明在中国科学院大学计算机应用技术专业攻读硕士学位，师从中国科学院深圳先进技术研究院汽车电子研究中心李慧云研究员。桑明的研究兴趣包括自动驾驶安全性、自动驾驶仿真测试等。
首届CCF中国智能汽车学术年会（CIVS 2023）
本期嘉宾
京公网安备11010802032778号