MoDitector：面向模块的自动驾驶系统测试方法

《Proceedings of the ACM on Software Engineering》：MoDitector: Module-Directed Testing for Autonomous Driving Systems

针对自动驾驶系统测试中模块级根因分析不足的问题，提出MoDitector方法，通过模块特定或acles和导向测试策略生成安全关键场景，精准定位失效模块，实验表明其生成的场景数量（216.7）显著优于基线（79.0），有效提升模块级错误检测效率。

　　

摘要

测试自动驾驶系统（ADS）对于确保其安全性、可靠性和性能至关重要。尽管现有的测试方法可以生成多种多样且具有挑战性的场景以发现潜在的漏洞，但这些方法通常将ADS视为一个“黑盒子”，主要关注识别系统级故障（如碰撞或险些发生碰撞的情况），而无法确定导致这些故障的具体模块。这种对故障根本原因的缺乏理解阻碍了有效的调试和后续的系统修复。此外，当前的方法在从系统层面充分测试ADS的各个模块（如感知、预测、规划和控制）方面往往存在不足。为了解决这一问题，我们提出了MoDitector，这是一种能够识别根本原因的ADS测试方法，该方法专门设计用于暴露目标ADS模块中的弱点。与现有方法不同，MoDitector不仅能够生成导致故障的场景，还能确定每个故障的具体负责模块。具体而言，我们的方法引入了“模块特定预言器”（Module-Specific Oracles），以自动检测模块级错误并识别导致系统级故障的根本原因模块。为了有效生成特定于模块的故障，我们提出了一种基于模块的测试策略，该策略结合了“模块特定反馈”（Module-Specific Feedback）和“自适应场景生成”（Adaptive Scenario Generation）来指导测试过程。我们在四个关键的ADS模块和四个代表性的测试场景中对MoDitector进行了评估。结果表明，MoDitector能够高效且有效地生成可以归因于特定目标模块的故障场景。总共，MoDitector生成了216.7个预期场景，远超最佳基线方法（仅识别出79.0个场景）。我们的方法在ADS测试领域代表了重大创新，因为它专注于识别和纠正系统内的特定模块错误，超越了传统的黑盒式故障检测方法。