DeepTest: DNN驱动主动驾驭轿车的主动化测验

跟着快节奏的日子，小轿车几乎是每个家庭中必不可少的出行东西，所以咱们今儿来说说轿车的主动化测验。让你更了解你的小轿车。当当，论题开端~

深度神经网络（Deep Neural Network, DNNs）最近取得了很好的发展，这促进了DNN驱动的主动驾驭轿车的开展。它们经过传感器如摄像机、激光雷达等感知环境，就能够在无人辅佐的情况下主动驾驭。首要的制造商包含通用、福特、特斯拉、宝马，和waymo 谷歌正致力于缔造和测验不同类型的主动驾驭轿车。但是，虽然DNNs取得了惊人的发展，就像传统的软件相同，却常常暴露出不正确或不符预期的极点景象行为，这些可能会导致潜在的丧命磕碰。几起主动驾驭轿车涉事的实在国际的事端现已发作，其间一个还导致了逝世。针对主动驾驭的大多数现有的测验技能都依赖于人工收集测验数据，收集不同的驾驭条件，跟着测验场景的添加，这将会变得不可承受地贵重。

在本文中，咱们规划、完成和评估了DeepTest，一个针对根据DNN的主动驾驭轿车体系的测验东西，它能主动检测体系中存在的可能导致丧命事端的过错行为。首要，咱们的东西是运用实践环境的改变主动生成测验用例的，这些环境如雨、雾、照明条件等。其次，DeepTest经过生成测验输入，最大极限地激活神经元的数量，体系地探求DNN内部逻辑的各种部分。试验成果标明，DeepTest能在实践的Udacity主动驾驭轿车应战赛中三大性能最好的DNN模型里发现不计其数的过错行为，它们存在于不同的实在的驾驭条件下（如含糊、雨、雾等），许多会导致潜在的丧命磕碰。

本文凭借蜕变测验办法来辅佐处理Oracle问题。在测验一个杂乱的根据深度学习网络的体系，比方主动驾驭轿车体系时面对的首要应战之一是怎么人工地创立体系的需求标准，经过它来对体系的行为是否正确进行检查。为这样一个体系创立具体的标准是很有应战性的，由于它本质上需求从头规划一个完美的真人驾驭员的逻辑。为了处理这个问题，咱们运用不同的组成图画中的轿车行为之间的蜕变联系。一个要害的见地是即便很难为每一个变转后的输入图画指定自驾车的正确行为，你仍然能够界说轿车的行为在某些类型的变转之间的断定联系。例如，关于相同的图画，但在不同照明或气候条件下，无人驾驭轿车的转向角不该发作明显改变，同理，对图片进行含糊处理或许细小参数仿射改变处理，也不该该发作明显改变。

本文的首要奉献是：

1、咱们提出一套主动化生成组成测验用例的体系性的技能，在安全攸关的根据DNN的体系中，如主动驾驭体系，能使模型的神经元掩盖率最大化。咱们的经历研讨标明，神经元掩盖的改变与主动驾驭轿车行为的改变是相关的。

2、咱们证明了不同的图画变换，如对比度的改变，雾的存在与否等，能够用来发生组成测验用例，添加神经元的掩盖率。咱们运用根据变换的蜕变联系来主动检测过错行为。咱们的试验也标明，组成的图画可用于从头练习DNNs模型，使DNNs模型在处理极点景象的时分更强健。

3、咱们在DeepTest上实施该技能，据咱们所知，这是针对DNN驱动的主动驾驭体系的第一个体系性的主动化测验东西。咱们用DeepTest体系性地测验实践的Udacity主动驾驭轿车应战赛中三大性能最好的DNN模型。DeepTest能发现不计其数的过错行为，许多可导致潜在的丧命的磕碰。

4、DeepTest检测到的丧命过错行为，咱们现已公开在deepTest或前往51Testing软件测验网。咱们也方案公开发布生成的测验用图画以及东西的源代码，以供开源社区运用。

实在国际中发作的主动驾驭轿车的事故，分别由下雨传感器失效、图画识别失利导致人员逝世、过错地估计了车速导致。

咱们的东西DeepTest在实践的深度神经网络Chauffeur 中发现的过错的风险行为。

深度神经网络（DNNs）首要分为卷积神经网络（CNN）和循环神经网络（RNN），简化了的架构分别如图所示。

经过图片变换兼并来提高神经元掩盖率的贪婪搜索算法。

此图标明不同的图画变换办法（如含糊、旋转、平移等等）激活的神经元的差异，竖轴的杰卡德间隔越大标明差异越大，能够看出除了第二个LSTM，其他的模型都是明显有差异的，这标明不同的图画变换办法激活的神经元是明显不同的。

三个图片在不同的图画变换下的平价累积神经元掩盖率。

如表格所示，首要研讨了神经元掩盖和轿车行为的联系。第三列的计算成果中，Spearman相联系数描写的是神经元掩盖率和转弯视点的联系，为正时标明神经元掩盖添加时，转弯视点就会变大，反之就会减小。能够看出转弯视点和神经元掩盖的线性联系是计算明显的，第四列的计算成果是描写了转弯方向和神经元掩盖的相关DeepTest运用组成图画检测到的过错行为。