Real-world Troublemaker: A Novel Track Testing Framework for Automated Driving Systems in Safety-critical Interaction Scenarios

作者: Xinrui Zhang, Lu Xiong, Peizhi Zhang, Junpeng Huang, Yining Ma

发布时间: 2025-02-24

来源: arxiv

研究方向: 自动驾驶系统安全测试与评估

主要内容

本文提出了一种名为Real-world Troublemaker的新型测试框架，用于在安全关键交互场景中对自动驾驶系统进行测试。该框架利用云控制技术生成对抗性目标运动轨迹，并与测试车辆进行智能交互，从而创建更真实和动态的测试环境。

1. 设计了一种新型的云控制测试框架，该框架能够实现目标与测试车辆之间的动态交互，解决了传统封闭测试中灵活性、劳动强度和设置时间的问题，同时提高了安全性和效率。

2. 提出了一种基于动态博弈的交互模型，结合重要性抽样策略，以增强高风险场景的曝光频率。这种方法提高了机动挑战，并解决了封闭测试中的低效和不可控风险。

3. 展示了“Troublemaker”测试系统，这是第一个用于封闭测试的云协调目标系统，适用于3级及以上自动驾驶汽车。该系统已在同济大学进行部署和验证，促进了封闭测试在高级自动驾驶汽车领域的进步。

1. 云控制技术

2. 基于博弈论的场景生成方法

3. 重要性抽样策略

4. 模型预测控制

5. 核密度估计

实验结果表明，与传统的测试方法相比，Troublemaker在场景再现精度方面提高了65.2%，在目标车辆交互策略的多样性方面提高了约9.2倍，在未受保护的左转场景中高风险场景的曝光频率提高了3.5倍。

未来工作将侧重于改进重要性抽样中的提案函数，根据评估结果动态调整测试难度，实现针对ADS性能的迭代改进测试。此外，我们计划扩展框架以支持更复杂的交互场景，包括混合人车交通环境，以进一步验证其在实际应用中的鲁棒性和可扩展性。