[論文レビュー] Dynasto: Validity-Aware Dynamic-Static Parameter Optimization for Autonomous Driving Testing

Dmytro Humeniuk, Mohammad Hamdaqa+3 more|arXiv (Cornell University)|Mar 22, 2026

Autonomous Vehicle Technology and Safety被引用数 0

ひとこと要約

Dynastoは、妥当性制約の下で動的な敵対的挙動と静的初期条件を共同最適化し、ADSテストにおける現実的で安全-criticalな故障を明らかにする。STLベースの妥当性、初期条件に対するGA、グラフベースの故障クラスタリングを用いる。

ABSTRACT

Extensive simulation-based testing is important for assuring the safety of autonomous driving systems (ADS). However, generating safety-critical traffic scenarios remains challenging because failures often arise from rare, complex interactions with surrounding vehicles. Existing automatic scenario-generation approaches frequently fail to distinguish genuine ADS faults from collisions caused by implausible or invalid adversarial behaviors, and they typically optimize either scenario initialization or agent behavior in isolation. We propose Dynasto, a two-step testing approach that jointly optimizes initial scenario parameters and dynamic adversarial behaviors to uncover realistic safety-critical failures. First, we train an adversarial agent using reinforcement learning (RL) with temporal-logic-based validity criteria and a safe-distance model inspired by ISO 34502 to promote behaviorally plausible failures. Second, a genetic algorithm (GA) searches over initial conditions while replaying the adversary's failure-inducing behaviors to reveal additional failures that the RL agent alone does not uncover. Finally, a graph-based clustering pipeline groups failures into representative modes based on semantic event sequences. Our evaluation experiments in HighwayEnv across two ADS controllers show that Dynasto finds 60%-70% more valid failures than an RL-only adversary under the same evaluation budget. With clustering, we obtain about 12 interpretable failure modes per system under test, revealing valid failures driven by weaknesses in ego-controller behavior. These results indicate that coordinated dynamic-static optimization with explicit validity constraints is effective for exposing safety-relevant failures in ADS testing.

研究の動機と目的

• ADSテストにおける有効かつ現実的な故障発見を促進するため、妥当な故障と無効な故障を区別する。
• 動的な敵対者最適化と静的シナリオ探索を結ぶ2段階のテストワークフローを開発する。
• 後分析で故障を解釈可能なモードにクラスタリングして故障分析を支援する。

提案手法

• 妥当性ベースの報酬とSTLベースの安全基準を用いたRL敵対者を訓練し、有効な故障を生成する。
• 敵対者の故障誘発行動を再現することで静的初期条件を探索するGAを用い、追加の故障を発見する。
• ISO 34502に整合するSignal Temporal Logicルールを適用して有効故障と無効故障をラベリングする。
• 故障 tracesを記録し、グラフベースのクラスタリングパイプライン（kNNグラフ＋Leiden）を適用して故障モードを特定する。
• イベントシーケンスで故障を表現し、類似性のクラスタリングにLevenshtein距離を用いる。
• GA評価をRL主導の故障 tracesと統合するためのAsk-Tellインタフェースを使用する。

実験結果

リサーチクエスチョン

• RQ1 シナリオ生成中の無効な敵対挙動によるクラッシュと真のADS故障をどのように区別できるか。
• RQ2 動的（RL）と静的（GA）最適化の協調は、RL単独と比較して安全性に関する有効な故障の発見を改善するか。
• RQ3 後解析のクラスタリングは収集した traces から解釈可能な故障モードを明らかにできるか。
• RQ4 妥当性制約が発見故障の多様性と品質に与える影響はどの程度か。
• RQ5 Leidenクラスタリング手法は類似の故障 tracesを意味のあるモードに効果的にグループ化できるか。

主な発見

• Dynastoは同じ評価予算の下でDQNのみの敵対者と比較して有効な故障を60%–70%多く発見する。
• クラスタリングにより、試験対象システムあたり約12の解釈可能な故障モードを得られる。
• 事後分析は、自車の挙動の弱点によって推進される数百の故障をまとまりのあるモードへとグルーピングする。
• 2段階アプローチは、 varied static initializationsの下で敵対的行動を再生することでRLのみを超えた故障空間を拡張する。
• 妥当性意味論と明示的な安全制約は、発見された故障の現実性を大幅に向上させる。