Page 245 - 《软件学报》2026年第4期

1686 软件学报 2026 年第 37 卷第 4 期

每代中的个体数量相同 (在 5 次实验中, 个体数量分别在 4–8 之间). 需要注意的是, 对于每个发现的安全违背场
景, 我们检查安全违背是否由场景中参与者的非法行为引起, 并分析由主车引发的安全违背. 如图 7 所示, 某个安
d 非法变道并与主车发生碰撞. 对于由主车引起的安全违背, 我们使用相同的标
全违背并非由主车引起, 而是从车
准进行分类. 实验结果见表 8.

a a
a
Ego
Ego
Ego

图 9 安全违背类型 10 示例

表 8 LEADE 与对比方法的实验结果

指标 类型 LEADE MOSAT AV-Fuzzer BehAVExplor
发现的安全违背类型数量 － 10 6 3 8
最小 21.5 23.2 64 35.4
场景生成用时 (s) 最大 25.8 26.9 49.8 44.5
平均 23 24.4 55 40.8
最小 10.1 61 96.4 21
安全违背场景发现频率 最大 13.7 65.9 192.6 107
平均 12 62.1 131 54
最小 1 2 89 8
发现首个安全违背场景时间 (h) 最大 12 28 122 16
平均 7 16 98 12
最小 11.3 16 15.7 10.6
发现所有类型安全违背场景的时间 (h) 最大 13.6 18.9 20.4 13.2
平均 12.9 18.1 19.2 12.8

在每次 24 h 的运行中, MOSAT 能够找到 6 种 Apollo 的安全违背类型, AV-Fuzzer 能够找到 3 种安全违背类
型, BehAVExplor 能够找到 8 种不同的 Apollo 安全违背. MOSAT 平均生成 3 541 个具体场景 (最少 3 208 个, 最多
3 719 个), 其中 130 个场景 (最少 109 个, 最多 148 个) 发生了主车的安全违背. AV-Fuzzer 平均生成 1 572 个具体
场景 (最少 1 350 个, 最多 1 734 个), 其中 12 个场景 (最少 9 个, 最多 14 个) 发生了主车的安全违背. BehAVExplor
平均生成 2 160 个具体场景 (最少 1 942 个, 最多 2 441 个), 其中 21 个场景 (最少 6 个, 最多 44 个) 发生了主车的安
全违背.
LEADE 发现的 10 种不同的 Apollo 安全违背类型, 在前 14 小时内被揭示. MOSAT 发现的 6 种安全违背类
型, 在前 19 h 内揭示. AV-Fuzzer 发现的 3 种安全违背类型, 在前 21 h 内揭示. BehAVExplor 发现的 8 种不同类型
的安全违背, 在前 14 h 被揭示. LEADE 发现所有安全违背类型的时间与 BehAVExplor 接近, 比其他两个方法更短;
但 LEADE 相比于 BehAVExplor, 在相同时间内能够发现更多类型的主车安全违背. 此外, LEADE 能够比其他 3
种方法更快地找到第 1 个安全违背. 因此, 与 3 种方法相比, LEADE 能够在更短的时间内找到更多种类的 Apollo
安全违背.
平均而言, LEADE 每生成 12 个具体场景就能发现 1 个 Apollo 的安全违背, BehAVExplor 每生成 54 个具体
场景, 发现 1 个 Apollo 的安全违背. 而 MOSAT 需要生成 62 个场景, AV-Fuzzer 需要生成 131 个场景才能发现 1