Page 90 - 《软件学报》2026年第1期
P. 90

吉品 等: 面向智能软件系统的测试用例生成方法综述                                                         87


                 图和模拟器从抽象场景中生成一个具体的场景, 包括找到满足所有地理条件的子地图, 车辆定位, 配置                                NPC  车辆
                 和行人, 以及设置天气等模拟参数. 该类方法的特征是在一定程度上对方法生成的场景完成了质量评估, 更有利于
                 高效率地完成自动驾驶系统的仿真测试.
                    除此之外, 还有一些研究者致力于研究如何用更利于测试人员理解和使用的方式去创建交通场景, 常采用
                 的方法是以类结构化语言的形式去灵活地定义场景. 例如, Medrano-Berumen                 等人  [107] 提出的用于自动驾驶测试
                 的抽象仿真场景生成框架. 作者开发了一种采用字符串结构和关联规则的语言, 用于分解定义场景的因素, 包括
                 道路、参与者和交通逻辑. 基于此语言, 该框架可获取到单个路段的描述或不同类型角色                               (汽车、卡车、行人
                 等) 的行为描述, 并将这些描述解析以生成场景. 与之相比, Paracosm               更注重系统化地探索自动驾驶系统的状态
                 空间, 包括视觉特征和与环境的反应性交互              [112] . Paracosm  允许用户以编写代码的方式来描述具有特定特征的复
                 杂驾驶情况, 例如道路布局和环境条件, 以及其他车辆和行人的反应性时间等. 为了最大限度地覆盖到被测对象
                 的各种行为, Paracosm   使用了基于组合测试和拟蒙特卡洛方法基本思想的测试覆盖率, 并在参数配置时结合了
                 模糊测试技术. 该类方法使用类似于代码编程的方式对参数化的测试环境进行建模, 能够实现高效率地生成可
                 以捕获自动驾驶系统缺陷的仿真测试场景. 与                Paracosm  类似, Concretize 允许用户运用基于模型驱动的领域特
                 定语言描述场景规范, 涵盖参数、参与者和约束这                 3  部分  [126] . 不同的是, Concretize 利用元启发式搜索或完全搜
                 索方法将抽象规范转化为具体场景, 再对生成的场景进行可视化展示、模拟运行, 监测分析被测对象的行为, 并
                 生成测试结果的图表.
                  7.1.4    基于交通法规的自动驾驶测试场景生成
                    为了确保道路安全, 自动驾驶汽车的行为必须满足一系列复杂的规则, 例如现有的交通法规以及未来可能针
                 对自动驾驶汽车的法律. 为了全面测试自动驾驶系统, 研究人员希望明确被测系统是否可能会违反某些交通法规,
                 提出了一些基于交通法规的自动驾驶测试场景生成方法. 这些方法通常是以现有的交通法规为自动驾驶系统的行
                 为判断标准, 探索如何生成会使自动驾驶系统违反交规的测试场景. 这些场景可以揭露出被测对象可能存在的各
                 个方面的安全性隐患. 例如, 可兼容不同场景描述语言的                 LawBreaker 提供了面向驾驶员的特定领域语言来描述交
                 通法规, 并包含了一个模糊引擎, 其实现了基于法规覆盖引导的模糊算法, 可通过最大化覆盖范围来搜索违反交通
                 法规的不同方式      [118] . 以  LawBreaker 为基础, 自动驾驶测试方法  ABLE  使用  LawBreaker 生成初始场景, 引入了具
                 有动态评分函数和主动学习的           GFlowNet 方法, 基于信号时序逻辑去实现动态更新测试目标, 再结合主动学习来
                 驱动测试过程, 以有效地探索广泛的搜索空间, 从而高效地生成多种违反交规的测试场景                            [119] . 实验表明, ABLE  生
                 成的场景比    LawBreaker 生成的场景更加有效, 能使自动驾驶系统出现更多种违反交通法规的方式. 此外, 还有一
                 些研究结合了遗传算法去生成可能使自动驾驶系统违反安全和交通规则的场景. 例如, DoppelTest 利用遗传算法
                 生成具有多辆自动驾驶车辆的交通控制场景, 来捕获自动驾驶系统的违规行为                           [120] . 在该遗传算法中, 每个场景
                 被视作个体, 其基因由自动驾驶车辆, 行人以及交通控制配置组成. 这                     3  类基因是彼此独立的, 可分别进行修改.
                 DoppelTest 通过选择、突变和交叉这       3  种方式对基因进行修改. 在每一代中, DoppelTest 使用适应度对个体进行
                 评价, 以最小化场景对象间距离、最大化决策数量、最大化冲突轨迹和最大化违规次数为目标. 在进行违规分析
                 时, DoppelTest 选择了  4  类测试预言来评估自动驾驶系统, 包括碰撞违规, 交通信号违规, 停车标志违规以及模块
                 响应失败.
                  7.2   多传感器融合感知
                    多传感器融合感知系统通过整合不同传感器的数据, 提升智能系统的感知精度和可靠性. 传统的单一传感器
                 存在局限性, 例如相机能提供丰富的语义信息但易受环境影响, 而激光雷达                       (LiDAR) 可获取高精度的三维几何数
                 据但缺乏语义理解, 因此相机-激光雷达融合成为常见方案. 基于融合阶段, 多传感器融合技术可分为早期融合、
                 晚期融合、深度融合和弱融合, 其中深度融合通过跨模态特征交互提升感知效果. 随着人工智能技术的迅猛发展,
                 多传感器融合感知系统在自动驾驶、机器人等众多前沿领域的目标检测等关键任务中发挥着不可替代的关键作
                 用. 因此, 现有测试用例生成方法也是基于目标检测的任务特征去设计.
   85   86   87   88   89   90   91   92   93   94   95