Page 243 - 《软件学报》2026年第4期
P. 243
1684 软件学报 2026 年第 37 卷第 4 期
为了回答上述研究问题, 我们每个实验运行 24 h. 需要注意的是, 为了考虑基于搜索的技术的随机性, 所有实
验重复进行了 5 次, 并对结果进行了统计分析和比较.
3.3 实验分析-问题 1
表 5 展示了 LEADE 在从交通视频中提取信息的准确性. 在提取静态信息 (如道路结构) 和简单的动态信息
(如主车行驶任务) 方面表现最佳, 在提取复杂的动态信息 (如参与者行为、相对位置) 时, 准确性稍有下降, 但基本
能够准确地提取测试场景需求的关键信息, 正确构建抽象场景.
表 5 抽象场景构建的准确性 (%)
提取信息类型 道路 主车行驶任务 参与者行为 相对位置
准确性 98 96.6 94.2 89.8
表 6 展示了 LEADE 和 CRISCO 在从抽象场景生成具体场景方面的准确性. 相比之下, LEADE 在结构相对简
单的道路 (如直道) 上的准确性略高于 CRISCO, 随着道路结构复杂度升高, LEADE 生成具体场景的准确性略有下
降, 但下降幅度显著低于 CRISCO. 此外 CRISCO 不支持生成弯路的具体场景, 并且 LEADE 无需定义大量约束条件.
表 6 具体场景生成的正确性 (%)
方法 直道场景 十字路口 T字路口 弯路
LEADE 95.5 91.4 90 89
CRISCO 93.2 85.6 75 －
3.4 实验分析-问题 2
在每次实验中, LEADE 平均生成 3 756 个场景 (最少 3 346 个, 最多 4 015 个), 其中 313 个场景 (最少 292 个,
最多 355 个) 包含主车的安全违背. 为了更好地分析 Apollo 的潜在缺陷, 对于每个发现的安全违背场景, 我们识别
出导致主车安全违背的关键参与者. 例如, 图 6(a) 展示了一个安全违背场景, 而图 6(b) 展示了只包含关键参与者
的安全违背场景, 这意味着如果从图 6(b) 中的场景中移除任何参与者, 主车的安全违背将不再发生. 为了识别每
个安全违背场景的关键参与者, LEADE 首先通过逐一移除场景中的参与者并检查是否能够重现主车的安全违背
来回放该场景.
(a) 演化生成的安全违背场景 (b) 只包含关键参与者的安全违背场景
图 6 安全违背具体场景示例
对于每个发现的安全违背场景, 我们都会检查安全违背是否是由场景中参与者的非法行为造成的, 并分析主
车造成的安全违背. 图 7 显示了一个不是由主车引起的安全违背行为. 从车非法驶入本车车道并与本车相撞. 对于
已发现的由主车引起的安全违背, 我们使用相同的标准对其进行分类.
Ego Ego Ego
d d d
图 7 非主车问题引发的安全违背示例
为了将发现的安全违背场景分类, 我们设计了一套分类标准, 考虑以下方面: 道路类型、主车的驾驶任务、参
与者的行为、Apollo 的驾驶错误. 基于这些标准, 包含关键参与者的安全违背场景被分类为 10 种不同类型 (见
