[论文解读] Rapidly-exploring Random Trees-based Test Generation for Autonomous Vehicles

Cumhur Erkan Tuncali, Georgios Fainekos|arXiv (Cornell University)|Mar 25, 2019

Robotic Path Planning Algorithms参考文献 17被引用 8

一句话总结

该论文提出了一种基于RRT*的自动驾驶车辆测试生成方法，通过设计一种新颖的代价函数，将被测车辆行为建模为路径规划问题，以探索边界情况下的碰撞——如近撞或勉强可避免的碰撞。该方法在避免局部极小值方面优于基于优化的 falsification 方法，在高维、复杂的驾驶环境中展现出更高的鲁棒性，能发现更多样化且更具关键性的场景。

ABSTRACT

Autonomous vehicles are in an intensive research and development stage, and the organizations developing these systems are targeting to deploy them on public roads in a very near future. One of the expectations from fully-automated vehicles is never to cause an accident. However, an automated vehicle may not be able to avoid all collisions, e.g., the collisions caused by other road occupants. Hence, it is important for the system designers to understand the boundary case scenarios where an autonomous vehicle can no longer avoid a collision. In this paper, an automated test generation approach that utilizes Rapidly-exploring Random Trees is presented. A comparison of the proposed approach with an optimization-guided falsification approach from the literature is provided. Furthermore, a cost function that guides the test generation toward almost-avoidable collisions or near-misses is proposed.

研究动机与目标

• 为解决基于优化的falsification方法在探索具有大量局部极小值的复杂高维驾驶场景时的局限性。
• 开发一种基于RRT的方法，实现对被测车辆轨迹的灵活、无参数化生成，以探索不可避免碰撞附近的边界情况。
• 设计一种定制化的代价函数，引导测试生成过程聚焦于近撞或勉强可避免的碰撞场景。
• 通过减少对手动设计轨迹参数化的依赖，提升测试覆盖率和多样性。

提出的方法

• 该方法结合了RRT*与T-RRT的原理，利用新颖的代价函数引导探索向边界碰撞场景靠近。
• 采用基于进化算法稀疏性的最小扩展控制策略，以平衡探索与优化之间的权衡。
• 动态生成轨迹，无需固定航路点参数化，从而实现更广泛的搜索空间覆盖。
• 代价函数旨在最小化反映碰撞接近程度的安全/性能指标，如碰撞时间（time-to-collision）和撞击速度。
• 支持可变的仿真时长，允许对无希望的案例提前终止，同时对高潜力案例延长执行时间。
• 集成新颖性检测机制，优先选择未探索或独特的轨迹形状，从而增强测试用例生成的多样性。

实验结果

研究问题

• RQ1 基于RRT的方法是否能在自动驾驶车辆测试中，发现关键的边界碰撞场景方面优于基于优化的falsification方法？
• RQ2 与传统falsification方法相比，所提出的代价函数在发现近撞或勉强可避免碰撞场景方面有何改进？
• RQ3 在高维搜索空间中，基于RRT的方法在多大程度上避免了阻碍基于优化方法的局部极小值？
• RQ4 基于RRT的方法能否在保持或提升测试用例质量的同时，减少对预定义轨迹参数化的依赖？

主要发现

• 在100次实验中，基于RRT的方法平均最小代价为10.2571，显著低于基于falsification方法的平均值13.7134。
• 在100次实验中，基于RRT的方法在代价约为10的局部极小值附近成功避免了44次，而基于falsification的方法仅避免了2次。
• 基于RRT的方法发现了11种不同的碰撞情形，包括一种低速碰撞情形，该情形在基于falsification的方法中仅在一次实验中被发现，且代价极低（0.0043）。
• 基于RRT的方法用8至68个参数表示轨迹，展现出无需固定航路点约束的灵活性，而基于falsification的方法采用固定参数化方式。
• 箱线图分析（图17）证实，基于RRT的方法在复杂场景中始终实现更低的最小代价，并表现出更优的收敛性。
• 研究建议，将基于RRT的探索与基于falsification的优化相结合，可结合两者优势，实现更优越的测试生成性能。