[论文解读] Automatic Generation of Challenging Road Networks for ALKS Testing based on Bezier Curves and Search

Florian Klück, Lorenz Klampfl+1 more|arXiv (Cornell University)|Mar 1, 2021

Autonomous Vehicle Technology and Safety被引用 4

一句话总结

本文提出一种基于搜索的方法，利用贝塞尔曲线与遗传算法，自动生成用于测试自动驾驶车道保持系统（ALKS）的具有挑战性的道路网络。通过演化控制点以最大化横向偏差，该方法能高效识别导致系统失效的道路几何形态。配置C在计算成本较高的情况下，仍实现了更高的多样性与更低的无效测试用例比例。

ABSTRACT

In this paper, we outline an approach for automatic generation of challenging road networks for virtual testing of an automated lane keep system. Based on a set of control points, we construct a parametric curve that represents a road network, which defines the dynamic driving task an automated lane keep system equipped vehicle has to perform. Changing control points has global influence on the resulting road geometry. Our approach uses search to find a set of control points that results in a challenging road geometry, eventually forcing the vehicle to leave the intended path. We evaluated our approach in three different search-configurations regarding test efficiency and practical applicability for automatic virtual testing of an automated lane keep system.

研究动机与目标

• 解决在虚拟环境中高效测试自动驾驶车道保持系统（ALKS）时，因缺乏真实且能诱发失效的道路几何形态而带来的挑战。
• 减少在ALKS验证过程中手动生成多样化、复杂测试场景的工作量。
• 通过自动识别导致ALKS偏离预定路径的道路配置，提升测试效率。
• 探索不同搜索配置，以在测试用例生成过程中平衡多样性、有效性与计算成本。

提出的方法

• 道路网络被建模为由一组控制点定义的参数化贝塞尔曲线，仅通过少量参数调整即可实现对道路几何形态的全局控制。
• 遗传算法演化控制点集合的种群，其中适应度由仿真中横向偏差的程度决定（即车辆越界越过中心线或侧线）。
• 种群中的每个个体均在仿真流程（BeamNG.research）中进行评估，失败定义为车辆边界框超过95%的部分跨越中心线或侧线。
• 为提升多样性，采用离散弗雷歇距离度量贝塞尔曲线之间的相似性，以指导选择新颖且差异显著的个体。
• 评估了三种搜索配置：随机种子种群（A）、失败后重启（B）以及带有效性检查的引导式种子生成（C）。
• 在预处理阶段过滤掉过于尖锐的曲线，以确保测试用例的现实性与可执行性，避免无效测试用例。

实验结果

研究问题

• RQ1 基于贝塞尔曲线的搜索方法能否有效生成多样化、能诱发失效的道路几何形态以用于ALKS测试？
• RQ2 不同的遗传算法配置如何影响测试效率及失效测试用例的多样性？
• RQ3 有效性检查与相似性度量在多大程度上能提升生成测试用例的质量与效率？
• RQ4 通过引导种子种群生成更有效且差异显著的道路形态，能否减少冗余并提升失效发现能力？

主要发现

• 配置A每轮平均生成27个失效测试用例，但平均弗雷歇距离仅为2.2–8.2，表明其相似度高、多样性有限。
• 配置B实现了更高的多样性，每轮平均生成2.25个失效测试用例，最大弗雷歇距离可达120，但无效测试用例比例过高（每轮27–57个），且重启机制效率低下。
• 配置C显著减少了无效测试用例（每轮17–29个），并增加了独特失效案例的数量（每轮4–6个），同时实现了更高的平均弗雷歇距离（58.7–73.79），表明多样性更优。
• 尽管因有效性检查导致计算成本增加，配置C在测试质量与多样性之间实现了最佳平衡，单轮测试中在255个用例中发现了6个失效案例。
• 所有配置均在每轮中成功生成至少一个失效测试用例，证实了该方法识别ALKS失效场景的能力。
• 使用弗雷歇距离作为多样性度量，有助于识别出具有差异性的失效诱发道路形态，尤其在最大距离较高的运行中表现显著。