沈?qū)W民

（滑鐵盧大學(xué) 加拿大安大略省滑鐵盧市）

無人駕駛系統(tǒng)的安全測試主要包括仿真測試和實景道路測試.其中，仿真測試因其支持靈活配置虛擬駕駛場景而受到廣泛關(guān)注.仿真測試的核心挑戰(zhàn)在于，如何在龐大的虛擬場景配置空間中搜索和發(fā)現(xiàn)容易導(dǎo)致安全事故的場景.將模糊測試技術(shù)與仿真測試相結(jié)合，構(gòu)建面向無人駕駛系統(tǒng)的仿真模糊測試技術(shù)是解決上述挑戰(zhàn)的潛在方案之一.

復(fù)旦大學(xué)的楊珉教授團隊撰寫的“面向無人駕駛系統(tǒng)的仿真模糊測試：現(xiàn)狀、挑戰(zhàn)與展望”一文介紹了無人駕駛系統(tǒng)仿真模糊測試的基本架構(gòu)，并梳理了此架構(gòu)下的關(guān)鍵模塊.針對事故挖掘場景，該文剖析了各關(guān)鍵模塊所面臨的設(shè)計挑戰(zhàn)，給出了對應(yīng)的優(yōu)化思路，并在主流無人駕駛系統(tǒng)上進行了可行性實驗論證.具體來說，該文包含以下3 個主要貢獻：

1.提出了一種高質(zhì)量種子場景的自動化構(gòu)建方法，通過引入真實世界中車輛和行人的軌跡數(shù)據(jù)，自動化地構(gòu)建了高質(zhì)量的種子場景，解決了依賴個人經(jīng)驗的手工生成方式導(dǎo)致的種子場景質(zhì)量不高的問題.在Apollo 系統(tǒng)上的測試結(jié)果表明，該種子場景構(gòu)建方法在事故挖掘能力方面相較于現(xiàn)有工作最少提升了203%.

2.提出了一套基于事故主體和事故特性的分類體系，通過對挖掘到的大量事故場景進行相似性聚類，實現(xiàn)了準(zhǔn)確的事故分類，同時避免了不必要的分析開銷.在涉及50 種事故類型的500 例事故場景的分類任務(wù)中，該體系的分類準(zhǔn)確率遠(yuǎn)高于現(xiàn)有方案AutoFuzz.

3.提出了一種定制化的事故歸因分析方法，通過實時地監(jiān)控比對仿真場景中各元素的狀態(tài)與無人駕駛系統(tǒng)的模塊執(zhí)行信息，有效識別事故主責(zé)模塊.實驗結(jié)果表明，在50 個事故場景中，該方法能正確地分析出其中44 個缺陷所在的功能模塊，平均用時0.05 小時，相比人工分析的平均用時4.4 小時，顯著提高了事故歸因效率.

仿真模糊測試對提升無人駕駛系統(tǒng)的安全性至關(guān)重要，而一套優(yōu)秀的仿真模糊測試方法體系的形成往往需要經(jīng)歷長時間的研究與實踐.其原因是，對仿真模糊測試架構(gòu)進行模塊化拆解，需要深入理解仿真測試與模糊測試的關(guān)系和互相作用.而針對各模塊分別提出合理的優(yōu)化方案，則需要系統(tǒng)性地掌握包括模糊測試、代碼分析、編譯優(yōu)化、數(shù)據(jù)挖掘等在內(nèi)的一系列基礎(chǔ)知識.該文對無人駕駛系統(tǒng)仿真模糊測試進行了深刻而全面的闡述，走出了具有啟發(fā)性的一步.這是源于作者團隊過去10 余年在軟件應(yīng)用程序漏洞挖掘與分析方面的長期探索和積累.我相信，隨著無人駕駛系統(tǒng)安全測試領(lǐng)域的不斷發(fā)展，該文在學(xué)術(shù)研究和產(chǎn)業(yè)實踐方面將會起到越來越重要的指引和推動作用.