[Paper] 关于自动驾驶系统调试的系统映射研究

Source: arXiv - 2601.04293v1

Overview

本文首次系统性映射研究，调查研究人员和工程师如何调试 Autonomous Driving Systems (ADS)。虽然测试已受到大量关注，作者认为 调试 步骤——定位并修复故障的根本原因——对安全关键的部署同样至关重要。通过编目 84 项主要研究，作者展示了当前的全景，发现了重复出现的主题，并指出研究社区仍存在的空白。

关键贡献

• 全面的 ADS 调试方法分类（例如，基于仿真、日志分析、形式化方法、机器学习驱动技术）。
• 文献计量分析，展示出版趋势、会议/期刊分布以及主导研究团队。
• 研究空白的识别，如缺乏标准化调试流水线、对实时故障定位支持有限、在生产级平台上的评估稀缺。
• 对统一术语和问题定义的建议，帮助未来工作使用共同语言。
• 未来研究路线图，突出混合调试、自动修复以及与持续集成/持续部署（CI/CD）的集成等有前景的方向。

方法论

作者遵循了经典的系统映射协议：

1. 检索策略 – 在主要数字图书馆（IEEE Xplore、ACM DL、Scopus、Web of Science）中使用 “autonomous driving”、 “debugging”、 “fault localisation” 等关键词进行查询。
2. 纳入/排除过滤 – 仅保留明确涉及 ADS（自动驾驶系统）调试（或 fault localisation）的同行评审工作，剔除纯测试或仅限仿真的论文。
3. 分类方案 – 对每篇主要研究在以下维度上进行编码：调试技术、目标组件（感知、规划、控制）、评估环境（仿真器、真实车辆）以及自动化水平（手动 vs. 自动化）。
4. 数据提取与综合 – 汇总编码数据，生成可视化映射（热图、时间线），以揭示研究工作集中的位置。

该过程刻意保持透明，便于其他研究者复制或扩展此映射。

结果与发现

• 主导技术：基于仿真的回放（占研究的42 %）和日志分析工具（35 %）是最常见的。用于调试的形式化验证仅出现在8 % 的论文中。
• 针对的 ADS 子系统：感知模块（相机/LiDAR 处理）获得了大部分调试关注，而规划和控制则研究不足。
• 评估设置：71 % 的工作依赖合成仿真器（CARLA、LGSVL），仅有19 % 在真实车辆或测试轨道上进行测试。
• 自动化缺口：仅有12 % 的方法提供自动化故障定位；其余方法需要手动检查日志或可视化结果。
• 术语碎片化：作者使用了大量术语——“fault localisation”“error diagnosis”“debugging”——常常互换使用，阻碍了跨研究的比较。

总体而言，该领域展示了有前景的早期原型，但缺乏一个统一的、面向工业的调试生态系统。

实际意义

• 开发者工具路线图：该分类法可帮助团队在选择或构建调试工具时匹配其技术栈（例如，将仿真回放与基于 ROS 的日志相集成）。
• CI/CD 集成：所指出的空白提示了将自动化故障定位嵌入持续测试流水线的机会，从而降低 ADS 更新的平均修复时间（MTTR）。
• 安全认证：标准化的术语和问题定义可以简化向监管机构（如 ISO 26262、UNECE WP.29）提供证据的过程。
• 投资优先级：企业可以将研发重点放在服务不足的领域——规划模块调试、真实车辆故障定位以及仿真 + 真实世界的混合方法，以获取竞争优势。
• 跨领域学习：研究中识别的其他安全关键领域技术（例如航空航天故障注入）可被改编用于 ADS，加速其成熟度。

限制与未来工作

• 范围限制：映射仅包括截至 2023 年的英文同行评审论文，可能遗漏近期的行业白皮书或专有解决方案。
• 深度与广度：系统映射倾向于广度；本研究并未深入评估每种调试技术的有效性。
• 快速演变的格局：新的机器学习驱动的调试工具（例如神经注意力可视化器）出现的速度快于文献的捕捉速度。

作者呼吁：

1. 为调试 ADS（自动驾驶系统）提供共享基准套件，
2. 开源调试工件仓库，
3. 对调试干预在实际部署中对安全指标影响的纵向研究。

作者

• Nathan Shaw
• Sanjeetha Pennada
• Robert M Hierons
• Donghwan Shin

论文信息

• arXiv ID: 2601.04293v1
• Categories: cs.SE
• Published: 2026年1月7日
• PDF: 下载 PDF