Geração de Testes Focada para Sistemas de Condução Autônoma

Testar Sistemas de Condução Autônoma (ADSs) é crucial para garantir a sua confiabilidade ao navegar em ambientes complexos. Os ADSs podem apresentar comportamentos inesperados quando apresentados, durante a operação, a cenários de condução que contêm características inadequadamente representadas no conjunto de dados de treinamento. Para abordar essa transição do desenvolvimento para a operação, os desenvolvedores devem adquirir novos dados com as características recentemente observadas. Esses dados podem ser utilizados para ajustar finamente o ADS, a fim de alcançar o nível desejado de confiabilidade na execução de tarefas de condução. No entanto, a natureza intensiva em recursos dos testes de ADSs exige metodologias eficientes para gerar testes direcionados e diversificados. Neste trabalho, introduzimos uma abordagem inovadora, DeepAtash-LR, que incorpora um modelo substituto no processo de geração de testes focados. Essa integração melhora significativamente a eficácia e aplicabilidade dos testes focados em cenários que exigem muitos recursos. Resultados experimentais mostram que a integração do modelo substituto é fundamental para o sucesso do DeepAtash-LR. Nossa abordagem conseguiu gerar uma média de até 60 vezes mais entradas direcionadas que induzem falhas em comparação à abordagem de referência. Além disso, as entradas geradas pelo DeepAtash-LR foram úteis para melhorar significativamente a qualidade do ADS original por meio de ajustes finos.