[Paper] Drivora：统一且可扩展的基础设施用于基于搜索的自动驾驶测试

发布: 1周前 (2026年1月9日 GMT+8 18:08)

7 min read

原文: arXiv

Source: arXiv - 2601.05685v1

概述

本文介绍了 Drivora，一个开源平台，统一并简化了在流行的 CARLA 模拟器上对自动驾驶系统（ADS）进行基于搜索的测试。通过提供单一的、可扩展的场景语言和模块化架构，Drivora 减少了当前阻碍跨不同模拟器、场景空间和 ADS 实现的大规模、可复现测试的工程开销。

统一场景定义（OpenScenario） – 一种低层次、参数驱动的格式，能够与现有的测试生成方法配合使用，同时对新测试范式（例如多车辆交互）保持开放。
模块化架构 – 将进化测试引擎、场景执行层和 ADS 集成层清晰分离，实现组件即插即用。
可扩展的并行执行 – 批量仿真调度器，最大化 CPU/GPU 利用率，以进行大规模场景运行。
多 ADS 支持 – 开箱即用的连接器，支持 12 种不同的自动驾驶堆栈，通过统一 API，简化比较研究和回归测试。
开源发布 – 完整代码、文档和示例工作负载均在 GitHub 上公开，鼓励社区贡献和可重复性。

Drivora 基于 CARLA，一个高保真开源驾驶模拟器。工作流程如下：

场景规范 – 测试工程师使用 OpenScenario 编写场景，这是一种基于 JSON/YAML 的模式，列出具体、可操作的参数（例如车辆速度、车道偏移、天气）。
基于搜索的引擎 – 进化算法（EA）将每个场景视为染色体。EA 对参数进行变异和重组，以探索空间，并通过碰撞次数、车道偏离距离或安全指标违规等适应度函数进行引导。
并行执行层 – Drivora 并行启动多个 CARLA 实例，每个实例消费 EA 种群中的一个独立场景。结果实时流回引擎，使 EA 能快速演化下一代。
ADS 集成 – 一个轻量适配器抽象了 CARLA 与任何受支持的 ADS（如 Apollo、Autoware、专有堆栈）之间的通信。适配器翻译传感器数据和控制指令，使 ADS 表现为黑箱模块。

该设计刻意保持各组件可互换：开发者可以将 EA 替换为强化学习生成器，换用其他模拟器，或通过实现统一接口来添加新的 ADS。

效率提升 – 在基准实验中，Drivora 的并行调度器相较于朴素的顺序仿真实现了最高 6× 加速，使得在一套普通 GPU 集群上即可在数小时内生成数千个测试场景。
场景多样性 – 统一的 OpenScenario 格式使同一进化引擎能够在无需代码修改的情况下生成单车极端案例（例如，突发行人横穿）和多车交互案例（例如，切入操作）。
跨 ADS 对比 – 通过 12 个捆绑的 ADS 连接器，作者展示了相同的生成场景在不同堆栈中会暴露出各自独特的失效模式，凸显了通用测试框架在比较安全性分析中的价值。
可重复性 – 所有实验均可从公开仓库完整复现，证明该基础设施可被外部团队以最小的搭建工作量直接采用。

加速的 QA 流程 – 公司可以将 Drivora 接入其持续集成流水线，每晚自动生成高风险驾驶场景，在路测前捕获回归。
标准化基准测试 – 研究人员和原始设备制造商（OEM）可以使用统一的场景语言和 ADS API 进行面对面的安全基准测试，促进透明的性能报告。
成本效益的扩展 – 通过利用通用硬件进行并行仿真，企业可以在不投入昂贵专有模拟器的情况下进行大规模基于搜索的测试。
新领域的可扩展性 – 模块化设计使得通过扩展 OpenScenario 架构并提供自定义适应度函数，轻松添加新兴测试维度，例如 V2X 通信失效或传感器欺骗攻击。

模拟器依赖 – Drivora 目前依赖 CARLA；虽然其架构在理论上与模拟器无关，但迁移到其他平台需要相当的工作量。
适应度函数设计 – 生成场景的质量在很大程度上取决于精心设计的适应度指标；论文指出，自动化指标合成仍是一个未解决的挑战。
真实世界可转移性 – 与所有基于仿真的测试一样，CARLA 与真实驾驶环境之间的保真度差距可能限制所发现缺陷的直接适用性。
未来方向 – 作者计划 (i) 为更多模拟器（如 LGSVL）提供支持，(ii) 将基于学习的测试生成器与进化算法相结合，(iii) 开发云原生编排层，以进一步简化大规模部署。