近日，軟件所軟件工程中心自動駕駛測試團隊在自動駕駛系統安全性違規檢測方面取得進展。該研究提出了基于多目標遺傳算法的自動駕駛系統仿真測試方法，能夠有效生成對自動駕駛系統的挑戰場景，暴露自動駕駛系統的安全性缺陷，并支持對自動駕駛系統的連續、長距離測試，提高仿真測試執行效率。 

　　自動駕駛系統是高度復雜的軟硬件系統，其所處的運行環境高度復雜且多變，會面臨許多無法預見的情況，系統安全性尤為重要。目前的自動駕駛仿真測試方法存在搜索成本高、測試效率低，生成場景挑戰性不足、相似度高等問題，難以對自動駕駛系統進行充分全面的測試。 

　　針對此問題，團隊提出一種基于多目標遺傳算法的自動駕駛仿真測試方法MOSAT，首先基于原子性的駕駛行為（如跟車、變道、加/減速），構建對自動駕駛系統具有強干擾性的復合行為；然后采用多目標遺傳算法，綜合考慮自動駕駛車輛的擾動程度、預計碰撞時間、場景多樣性三個目標，選擇關鍵度高的測試場景進行變異，生成更多對抗性強、多樣性高的測試場景；最后通過時空持續的仿真行駛環境，交替執行多個搜索進程，支持對自動駕駛系統的連續、長距離測試。MOSAT在L4級自動駕駛系統百度Apollo中發現了11種不同類型的安全違規行為，較之現有的自動駕駛仿真測試方法，在相同的道路和行駛條件下，多發現了6種類型的安全違規行為；場景生成與運行的時間消耗、和發現的安全性違規場景的差異度，也顯著優于現有的自動駕駛仿真測試方法。 

　　相關成果以“MOSAT: Finding Safety Violations of Autonomous Driving Systems Using Multi-Objective Genetic Algorithm”為題被軟件工程領域頂級學術會議ESEC/FSE 2022錄用。該論文第一作者為博士生田浩翔，通訊作者為研究員吳國全、葉丹。該研究獲國家重點研發計劃、國家自然科學基金等項目支持。