En un esfuerzo por mejorar la seguridad de los sistemas de conducción autónoma (ADS), un grupo de investigadores ha desarrollado una nueva técnica de evaluación llamada Causal-Fuzzer. Esta innovadora metodología se centra en el uso de simulaciones para probar la capacidad de los ADS de tratar adecuadamente con escenarios críticos de tráfico y reducir el riesgo de colisiones.
La simulación se realiza en entornos controlados utilizando simuladores de alta fidelidad como LGSVL, lo que permite un enfoque más seguro y práctico para evaluar la eficacia de estos sistemas. Para generar escenarios críticos de evaluación, Causal-Fuzzer emplea una técnica conocida como grafo causal, que permite modelar las relaciones interdependientes entre distintos factores del escenario, las acciones tomadas por el ADS y las violaciones o errores que se pueden producir.
Los resultados arrojaron que Causal-Fuzzer supera significativamente a métodos preexistentes al identificar una mayor diversidad de problemas, apuntando a 98.4 violaciones en promedio, frente a las 42.4 del mejor método de comparación. Además, logró una cobertura de pruebas mejorada, alcanzando un promedio de 12.9 relaciones causales identificadas, en contraste con las 6.8 de los mejores enfoques anteriores.
Una parte crucial del Causal-Fuzzer es el mecanismo de feedback basado en causalidad, que proporciona una medida de la diversidad de las violaciones detectadas y la suficiencia de las pruebas, permitiendo así guiar el proceso de búsqueda de escenarios críticos. Además, se introdujo una estrategia de mutación adaptativa guiada por causalidad que prioriza las alteraciones en elementos del escenario que tienen un mayor impacto en los cambios de acción del ADS y en la ocurrencia de violaciones.
La implementación y prueba de Causal-Fuzzer en un ADS de grado industrial, llamado Apollo, demostró su eficiencia al detectar problemas de seguridad de manera más rápida y eficaz que otros métodos, utilizando menos escenarios de prueba y menor exploración.
En conclusión, Causal-Fuzzer presenta un avance sustancial en el campo de las pruebas automatizadas para sistemas de conducción autónoma, mejorando significativamente la detección de violaciones y asegurando una cobertura más amplia de escenarios críticos.