Testing the Fault-Tolerance of Multi-Sensor Fusion Perception in Autonomous Driving Systems

要約

Google WaymoやBaidu Apolloなどの高レベルの自律駆動システム（ADS）は、通常、周囲を知覚するためのマルチセンサー融合（MSF）ベースのアプローチに依存しています。
この戦略は、カメラとライダーのそれぞれの強度を組み合わせることにより、知覚の堅牢性を高め、自動運転車（AVS）の安全性クリティカルな運転決定に直接影響します。
ただし、実際の自律運転シナリオでは、カメラとLIDARはさまざまな障害の影響を受けます。これは、おそらくADSの意思決定と行動に大きな影響を与える可能性があります。
既存のMSFテストアプローチは、MSFベースの知覚がMSFベースの知覚によって正確に検出できないコーナーケースのみを発見しましたが、センサー障害がADSのシステムレベルの動作にどのように影響するかについての研究がありませんでした。
このギャップに対処するために、センサー障害のMSF知覚ベースの広告のフォールトトレランスの最初の調査を実施します。
この論文では、AVSでカメラとLIDARの障害モデルを体系的かつ包括的に構築し、それらをMSF認識ベースの広告に注入して、テストシナリオでの動作をテストします。
センサー障害モデルのパラメータースペースを効果的かつ効率的に探索するために、フィードバックガイド付きディファレンシャルファッツァーを設計して、注入されたセンサー障害によって引き起こされるMSF認識ベースの広告の安全違反を発見します。
私たちは、代表的および実践的な産業広告であるBaidu ApolloのFadeを評価します。
評価の結果は、フェードの有効性と効率性を示しており、実験結果からいくつかの有用な発見を結論付けています。
物理世界の調査結果を検証するために、実際のBaidu Apollo 6.0 EDU自律車両を使用して物理実験を実施し、結果は調査結果の実際的な重要性を示しています。

要約(オリジナル)

High-level Autonomous Driving Systems (ADSs), such as Google Waymo and Baidu Apollo, typically rely on multi-sensor fusion (MSF) based approaches to perceive their surroundings. This strategy increases perception robustness by combining the respective strengths of the camera and LiDAR and directly affects the safety-critical driving decisions of autonomous vehicles (AVs). However, in real-world autonomous driving scenarios, cameras and LiDAR are subject to various faults, which can probably significantly impact the decision-making and behaviors of ADSs. Existing MSF testing approaches only discovered corner cases that the MSF-based perception cannot accurately detected by MSF-based perception, while lacking research on how sensor faults affect the system-level behaviors of ADSs. To address this gap, we conduct the first exploration of the fault tolerance of MSF perception-based ADS for sensor faults. In this paper, we systematically and comprehensively build fault models for cameras and LiDAR in AVs and inject them into the MSF perception-based ADS to test its behaviors in test scenarios. To effectively and efficiently explore the parameter spaces of sensor fault models, we design a feedback-guided differential fuzzer to discover the safety violations of MSF perception-based ADS caused by the injected sensor faults. We evaluate FADE on the representative and practical industrial ADS, Baidu Apollo. Our evaluation results demonstrate the effectiveness and efficiency of FADE, and we conclude some useful findings from the experimental results. To validate the findings in the physical world, we use a real Baidu Apollo 6.0 EDU autonomous vehicle to conduct the physical experiments, and the results show the practical significance of our findings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google