Page 231 - 《软件学报》2026年第4期

1672 软件学报 2026 年第 37 卷第 4 期

Abstract: The safety of autonomous driving systems (ADSs) is crucial for the implementation of autonomous vehicles (AVs). Therefore,
ADSs must undergo thorough evaluation before being released and deployed publicly. Generating diverse, safety-critical test scenarios is a
key task for ADS testing. Existing methods for generating ADS test scenarios include reproducing real-world traffic accidents or using
search-based techniques. However, the accident-based scenario often fails to uncover safety violations in ADSs due to the gap between
human driving and ADSs. The search-based approach tends to produce scenarios with high similarity because of the limitations of the
search algorithm. To address these issues, this study proposes LEADE, a road network modeling-based safety-critical scenario generation
and adaptive evolution method for ADSs. Specifically, it constructs abstract scenarios from user test requirements and generates concrete
scenarios through road network modeling. LEADE then employs an improved adaptive evolutionary search to generate diverse safety-
critical scenarios for testing the ADS. LEADE is implemented and evaluated on an industrial-grade full-stack ADS platform, Baidu Apollo.
Experimental results demonstrate that LEADE can effectively and efficiently generate safety-critical scenarios and expose 10 diverse safety
violations of Apollo. LEADE outperforms two state-of-the-art search-based ADS testing techniques by identifying 4 new types of safety-
critical scenarios on the same roads.
Key words: autonomous driving system (ADS); simulation test; scenario program generation
自动驾驶系统的安全性和可靠性对于自动驾驶车辆的发展和应用至关重要 [1] . 在将自动驾驶系统投入实际使
用之前, 进行全面而彻底的测试显得尤为重要 [2] . 这一测试过程需要涵盖大量多样化且全面的交通场景. 然而, 在
公共道路上进行自动驾驶车辆测试不仅成本高昂, 而且可能增加事故风险. 与此相对, 仿真测试能够以极低的成本
创建丰富的测试场景, 因此在自动驾驶系统测试中得到了广泛应用. 目前, 约 90% 的自动驾驶系统测试通过仿真
平台完成, 9% 通过测试场地完成, 而只有 1% 通过实际道路测试完成 [3] .
然而, 由于现实交通的复杂性, “长尾”问题成为实现自动驾驶的主要限制 [4] . 尽管现有技术能够处理超过 90%
的交通场景, 但如果不解决剩余的 10% 长尾场景, 实现真正公共道路上的自动驾驶将依然面临障碍 [5] . 因此, 如何
生成多样化的安全关键场景, 以有效应对长尾问题, 是自动驾驶车辆测试的关键任务 [4,5] .
传统的场景生成策略主要侧重于模拟自然驾驶环境 [6,7] . 然而, 由于安全关键事件在自然条件下的稀有性, 从
模拟的公共交通驾驶环境中生成的测试场景难以彻底揭示自动驾驶系统的安全隐患. 为了解决这一问题, 研究人
员提出了新的生成安全关键场景的方法, 广义上可分为两类. 第 1 类方法基于交通事故场景生成, 通过从事故数据
库中重现真实世界发生的交通事故场景来测试自动驾驶系统 [8−11] . 然而, 这些测试场景数据集较为固定且难以覆
盖场景空间, 被测试的自动驾驶系统可能在这些测试中表现良好, 但其在更广泛条件下的表现可能没有得到充分
评估. 此外, 现实世界的交通事故大多是由人类驾驶员的失误造成的, 对自动驾驶系统缺乏挑战性. 第 2 类方法是
更具前景的基于搜索的安全关键场景生成 [12−15] . 其核心思想是在仿真空间中广泛搜索, 以发现安全关键场景 [16−23] .
然而, 由于输入空间的高维度和复杂性, 这些方法通常需要大量时间才能发现自动驾驶系统的安全关键场景. 此
外, 这些技术往往会重复发现与已知安全关键场景相似的场景, 从而导致其难以生成多样化的安全关键场景, 且只
能识别有限类型的自动驾驶系统安全隐患.
通过对现有自动驾驶系统关键场景生成方法的分析, 本文总结出以下挑战.
(1) 如何设计和实现轻量级方法, 从抽象场景生成测试场景: 现有研究 [19,24,25] 基于预定义的规则和约束将抽
象场景转化为测试场景. 这些方法需要为各种行为定义大量规则和约束, 以生成相应的轨迹. 例如, Scenic [24] 、
CRISCO [19] 和 SoVAR [25] 分别定义了数百条规则或约束来生成相应行为的轨迹, 而其实现往往需要成千上万行
代码.
(2) 如何自适应地进化测试场景, 以生成多样化的安全关键场景: 许多自动驾驶系统测试方法采用多目标遗传
算法来进化场景, 搜索仿真空间中的安全关键场景 [17,18,20−23] . 然而, 这些方法中所有参与者的轨迹在选择父场景时
都经过相同的变异概率, 这不利于高适应度场景中优秀特征的传播, 进而降低了多样化的安全关键场景的搜索效
率和探索长尾场景空间的能力.
为了解决上述问题, 我们提出了 LEADE. 该方法根据用户的测试需求合成抽象场景, 并设计了一种轻量级方
法从抽象场景生成具体测试场景. 随后, LEADE 利用改进的自适应遗传算法有效地进化这些场景, 引导它们更有
效和更高效地探索场景空间, 生成多样化的安全关键场景. 具体来说: 为解决挑战 (1), LEADE 基于给定的抽象场