摘要
自动驾驶系统（ADSs）中三维检测和多目标跟踪组件的故障通常表现为跨帧异常，而单帧置信度或神经元覆盖率信号无法充分刻画这类异常。本文提出SGPrior，一种离线方法，通过场景图推理对激光雷达（LiDAR）测试序列进行优先级排序。SGPrior将逐帧检测和跟踪输出转换为带属性的场景图。有限状态机激活一致性断言，其算子构建一个断言图，用于与当前ADS输出图进行比较。对齐后的图编码之间的归一化汉明距离被聚合为序列级优先级分数。在KITTI、nuScenes和Waymo上的实验表明，在30%的测试分析预算下，SGPrior选出的子集相比基线方法具有更低的多目标跟踪精度（MOTA）、多目标跟踪精度（MOTP）、更高的序贯跟踪精度（HOTA），以及更多的误报和漏报。其平均故障检测百分比（APFD）达到0.957–0.958，且成本远低于神经元覆盖率排序。使用SGPrior选出的序列对六种检测器–跟踪器组合中的检测器进行重新训练，也在留出数据上优于同等规模的随机选择。这些结果表明，在感知推理之后，SGPrior可以帮助测试人员将有限的检查或标注预算分配到能暴露更多检测和跟踪错误的序列上。其优势在于序列选择方面，而非减少处理候选池所需的推理量。
