[Paper] 基于覆盖的道路选择与优先级排序用于自动驾驶系统的高效测试

Source: arXiv - 2601.08609v1

概述

测试自动驾驶辅助系统（ADAS）是一项庞大的工程——需要运行成千上万的道路场景以捕捉安全关键缺陷。然而，许多场景彼此非常相似，导致测试时间膨胀却没有增加价值。论文《Coverage‑Guided Road Selection and Prioritization for Efficient Testing in Autonomous Driving Systems》提出了一种数据驱动的框架，能够裁剪冗余道路，确保覆盖的多样性，并对剩余测试进行排序，使最具挑战性、最易导致故障的案例优先运行。

关键贡献

• 冗余感知聚类道路场景，使用几何特征（例如曲率、车道布局）和动态 ADAS 行为特征（例如转向、速度曲线）。
• 代表性选择每个聚类中的样本，保持几何和行为多样性，同时大幅缩减测试套件。
• 多因素优先级排序根据几何复杂度、驾驶难度和历史故障频率对选定道路进行排名。
• 实证验证在 OPENCAT 数据集和 Udacity 自动驾驶模拟器上进行，显示相较于随机排序，测试规模最高可降低 89 %，早期故障检测速度提升 95×。

方法论

1. 特征提取 – 对每个道路场景，作者计算几何描述符向量（车道曲率、交叉口数量、海拔变化）以及来源于 ADAS 自身轨迹的动态描述符（方向盘角度方差、速度波动）。
2. 聚类 – 使用基于密度的算法（例如 DBSCAN），在该组合特征空间中相近的场景被归为一组。每个簇代表一种“道路‑驾驶交互”类型。
3. 代表挑选 – 在每个簇内，选取最中心的场景（与其他成员的平均距离最小）作为该簇的代表。这样保证精简后的套件仍覆盖道路行为模式的全部光谱。
4. 优先级评分 – 为每个代表计算加权得分：
   • 几何复杂度（急转弯、频繁换道）
   • 驾驶难度（速度/转向的高方差）
   • 历史失效率（ADAS 先前在相似道路上崩溃的频率）
     将得分按降序排序，得到最终执行顺序。
5. 评估 – 将该流水线应用于两种 ADAS 实现（车道保持控制器和车道保持 + 自适应巡航控制），并将结果与随机基线以及朴素的“先到先服务”排序进行比较。

Results & Findings

用通俗的话说，这种方法将所需的运行次数减少了近一个数量级，同时仍能捕获大部分错误，并且几乎立即发现最难通过的用例。

实际意义

• 更快的 CI 流水线 – 团队可以将聚类‑选择步骤集成到持续集成（CI）工作流中，将回归测试时间从数小时缩短到数分钟。
• 资源高效的仿真 – 基于云的仿真平台可以在每次构建中分配更少的 GPU/CPU 时长，从而降低成本。
• 有针对性的安全分析 – 通过提前发现高复杂度、高失效率的道路，工程师可以将调试工作集中在最关键的地方，加快根因分析。
• 数据集整理 – 聚类逻辑可以重新用于清理和平衡公共道路场景数据集，使其在新 ADAS 模型基准测试中更有价值。

限制与未来工作

• 特征依赖 – 聚类质量取决于所选的几何和动态描述符；尚未捕获异常道路特征（例如天气影响）。
• 静态加权 – 优先级权重是手动设置的；从实时故障日志中自适应学习这些权重可能提升鲁棒性。
• 大规模车队的可扩展性 – 虽然在 OPENCAT（约 1 万场景）上效果显著，作者指出超大规模语料库（数百万场景）可能需要层次聚类或流式算法。
• 跨 ADAS 类型的泛化 – 本研究聚焦于车道保持和自适应巡航控制；将其扩展到感知密集型模块（如目标检测）仍是一个未解之题。

作者

• Qurban Ali
• Andrea Stocco
• Leonardo Mariani
• Oliviero Riganelli

论文信息

• arXiv ID: 2601.08609v1
• Categories: cs.SE
• Published: 2026年1月13日
• PDF: 下载 PDF