Page 177 - 《软件学报》2026年第1期

174 软件学报 2026 年第 37 卷第 1 期

(4) 低智能的交通参与者. 为了充分测试自动驾驶系统与 NPC 的交互能力, 研究人员使用场景描述语言构建
了存在多个 NPC 的测试场景, 涉及各种类型的背景车辆. 然而, 由于仿真器缺少相关功能, 现有解决方案尚未实现
背景车辆与外部环境的有效交互, 即无法根据环境的反馈实时控制背景车辆的驾驶行为. 因此, 背景车辆的智能性
不足, 无法处理突发状况, 测试结果中误报占比极高. 例如, 自车切入背景车辆所在车道, 而背景车辆维持固定速
度, 于自车的侧后方发生追尾. 上述事故的原因是背景车辆没能对切入的车辆做出合适的反应, 不应该将责任归咎
于自动驾驶系统. 此外, 现有工作关注的 NPC 主要是场景中的背景车辆, 较少考虑在测试中纳入具有不同运动方
式的行人对象. 因此, 亟需研究人员从误报产生的源头展开分析, 提高 NPC 的智能性并丰富其类型.
6.2 研究机遇

(1) 基于真实性的场景生成技术. 场景生成技术是当前研究的热点之一, 在安全测试框架中占据核心地位. 尽
管研究人员设计了各种算法引导生成关键场景, 但无法确认测试结果能否在现实中复现, 仍然需要进一步验证. 为
了提高测试场景的置信水平, 一方面可以使用基于数据驱动的场景生成技术, 从驾驶数据集中提取驾驶习惯和特
征, 以真实数据为支撑, 构建更合理的场景; 另一方面, 需要研究仿真世界与现实世界的一致性问题 [98] , 评估和量
化二者的差距, 提高仿真器中环境、传感器和车辆的建模精度.
(2) 覆盖分析框架设计. 覆盖率量化了自动驾驶系统的测试充分性, 有助于估算测试结束的时机, 判断软件测
试是否完备. 为了设计并实现通用的覆盖分析框架, 工业界和学术界应当达成产学共促、统一标准的共识, 进行长
期的合作、交流与讨论, 使研究人员认识、理解并商讨出有效的覆盖率度量, 以及基于覆盖率的通用测试框架. 例
如, 未来的覆盖率度量应当综合考虑汽车自身状态和外部环境, 增强在不同测试方案之间的可移植性.
(3) 感知模型闭环测试. 闭环测试在漏洞挖掘能力、测试全面性等方面都存在优势, 值得深入研究. 然而, 该方
案面临着一些难点. 首先是在测试工具方面, 开环测试针对单个模型进行研究, 而闭环测试需要在仿真器中运行庞
大的自动驾驶系统, 这意味着测试效率受到限制. 其次是在测试数据方面, 开环测试利用开源数据集验证对抗样本
的有效性, 而闭环测试需要将对抗样本融入测试场景, 在仿真环境中验证, 增加了时间和经济成本. 最后是在测试
方法方面, 开环测试只需要设计优化算法欺骗感知模型, 而闭环测试必须结合规划和控制环节设计对抗样本生成
策略, 综合考虑模型之间的关联性. 综上所述, 未来的工作可以基于这 3 个方面进行改进, 研发通信效率更高、操
作规范更简单的测试工具, 结合自动驾驶全流程研究对抗样本生成策略, 构建体系化的测试方案.
(4) 智能代理规控方案. 背景车辆的智能程度限制了与其他代理的交互能力, 随着测试要求逐渐提高, 简单
的控制模型无法满足复杂的测试需求, 设计具备复杂逻辑的规控系统是当前研究的重要方向之一. 人工智能等新
兴技术的发展提供了新的研究思路. 例如, 利用强化学习或大语言模型训练一个驾驶模型, 使背景车辆的决策方法
更接近驾驶员. 多代理测试也是可行的解决方案, 用自动驾驶系统控制所有背景车辆, 避免了低智能性对测试的干
扰. 除此之外, 智能化和对抗性的行人对象也能使测试场景更具挑战性. 部分文献深入分析了更真实的行人模型,
如 Muktadir 等人 [99] 建模了乱穿马路的行人模型, 研究人员可以将此类建模方案集成到现有测试框架中.

7 总 结

自动驾驶系统将人工智能算法集成到复杂生态系统中, 完成数据处理、环境感知、决策控制等关键任务, 同
时也引入了长尾场景分布、对抗样本等新的安全问题. 针对当前面临的安全挑战, 本文深入研究并整理分析了面
向整车系统的自动驾驶安全测试研究的历史工作和最新进展. 首先, 通过研讨现有研究并融入通用测试框架, 形成
面向整车系统的自动驾驶安全测试框架. 其次, 基于上述框架总结出现有工作的 5 类核心研究问题, 并深入对比每
类问题的关键技术、研究现状和发展脉络. 此外, 还对现有研究中广泛使用的评价指标和对比方法进行了分析和
总结. 最后, 给出了整车系统安全测试研究领域可能存在的现实挑战与未来研究机遇, 展望了更真实、更通用、更
智能的解决方案. 伴随着自动驾驶算法在车辆上开始部署实装, 未来从整体视角开展的安全测试研究将更加深入,
本文希望能够对此有所帮助和启发.