An LLM-enhanced Multi-objective Evolutionary Search for Autonomous Driving Test Scenario Generation

2024年06月16日
  • 简介
    本文提出了一种名为LEADE的自主驾驶系统(ADS)测试场景生成方法,采用了LLM增强的自适应进化搜索算法来生成安全关键和多样化的测试场景。LEADE利用LLM在程序理解方面的能力,生成高质量的第一代场景。LEADE采用自适应多目标遗传算法来搜索多样化的安全关键场景。为了避免搜索陷入局部最优解,LEADE将进化搜索转化为一个QA任务,利用LLM在定量推理方面的能力生成不同的种子场景以跳出局部最优解。作者在百度Apollo工业级全栈ADS平台上实现和评估了LEADE,实验结果表明LEADE能够有效高效地生成安全关键场景,并揭示了Apollo的10个不同的安全违规行为。LEADE通过在相同道路上识别出4种新的安全关键场景,优于两种最先进的基于搜索的ADS测试技术。因此,ADS的安全性评估对于自动驾驶汽车(AVs)的推广至关重要。
  • 图表
  • 解决问题
    提高自动驾驶系统(ADS)的安全性,生成多样化的安全测试场景。
  • 关键思路
    采用LLM增强的进化搜索算法,生成多样化的安全测试场景,通过量化推理生成不同的种子场景,避免局部最优解。
  • 其它亮点
    LEADE可以有效地生成安全关键的测试场景,并在Baidu Apollo平台上发现10个不同的安全问题,并且比两种现有的ADS测试技术更优秀。
  • 相关研究
    与本文相关的研究包括:《DeepRoad:驾驶场景生成器》、《基于模型的自动驾驶系统测试方法》等。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论