Representation Improvement in Latent Space for Search-Based Testing of Autonomous Robotic Systems

要約

自動運転車や無人航空機などの自律的なロボットシステムのテストは、非常に予測不可能な環境との相互作用のために挑戦的です。
一般的な慣行は、最初にシミュレーションベースのテストを実施することです。これは、実世界のリスクを減らしたにもかかわらず、可能なテストシナリオの広大な空間のために時間がかかり、リソース集約的なままです。
テストシナリオをより効率的に生成するために、多くの検索ベースのアプローチが提案されました。
検索ベースのテスト生成アプローチの重要な側面は、検索プロセス中に使用される表現の選択です。
ただし、テストシナリオ表現を改善するための既存の方法はまだ限られています。
リラスト（検索ベースのテストのための潜在スペースの表現改善）アプローチを提案します。これにより、テスト表現は、変分自動エンコーダーの潜在空間にマッピングすることでテスト表現を強化します。
自律ドローンと自律レーンキーピングアシストシステムを含む2つのユースケースでRilastを評価します。
得られた結果は、リラストにより、ベースラインのアプローチよりも3〜4.6倍の障害が発見され、高レベルのテストの多様性が達成されることを示しています。

要約(オリジナル)

Testing autonomous robotic systems, such as self-driving cars and unmanned aerial vehicles, is challenging due to their interaction with highly unpredictable environments. A common practice is to first conduct simulation-based testing, which, despite reducing real-world risks, remains time-consuming and resource-intensive due to the vast space of possible test scenarios. A number of search-based approaches were proposed to generate test scenarios more efficiently. A key aspect of any search-based test generation approach is the choice of representation used during the search process. However, existing methods for improving test scenario representation remain limited. We propose RILaST (Representation Improvement in Latent Space for Search-Based Testing) approach, which enhances test representation by mapping it to the latent space of a variational autoencoder. We evaluate RILaST on two use cases, including autonomous drone and autonomous lane-keeping assist system. The obtained results show that RILaST allows finding between 3 to 4.6 times more failures than baseline approaches, achieving a high level of test diversity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google