27353

كشف دامنه‌ي مقادير بحراني و ناهنجاري‌هاي نهفته در بسترهاي شبيه‌سازي خودروهاي خودران با استفاده از روش‌هاي آزمون نرم‌افزار

كارشناسي ارشد

مهندسي كامپيوتر - نرم افزار

1397-1398

1400/12/08

سعيد پارسا

پرديس دانشگاهي

هدف در اين پژوهش استفاده از آزمون نرم‌افزار در سامانه‌ي كنترل كننده‌ي خودروهاي خودران با هدف كشف ناهنجاري‌ها است. اين سامانه‌ها در شبيه‌سازهاي رانندگي قبل از ورود به فاز نهايي، مورد آزمون و بررسي قرار مي‌گيرند. چرا كه در شبيه‌سازي مي‌توان نتايج حاصل از آزمون را در عملكرد ساختار فيزيكي خودرو بلافاصله مشاهده نمود. بنابراين با گردآوري داده‌هاي آزمون (مقادير مربوط به شرايط آزمون) به عنوان نمونه‌هاي يادگيري و استفاده از واكنش فيزيكي خودرو در مقابل شرايط پيش آمده به عنوان برچسب براي آن نمونه، مدل‌هاي يادگيري براي هدفمند كردن روش‌هاي توليد داده‌هاي آزمون؛ ايجاد مي‌شوند. براي نمونه در اين پژوهش با حركت دادن چند نمونه‌ي مشخص خودروي خودران در محيط شبيه‌ساز انتخابي (CARLA) با پنج پيست مسابقه‌اي شناخته شده‌ي جهان، توانستيم معادله‌اي بر اساس شرايط پيچ جاده‌ها به دست آوريم. اين پيست‌هاي مسابقه‌اي از نقشه‌هاي منبع باز OSM گرفته شده و به عنوان مسير حركت به شبيه‌ساز انتخابي داده شده‌اند. معادلات به دست آمده، به منظور بهبود آزمون‌هاي بعدي به كار مي‌روند. براي استخراج اين معادلات از الگوريتم برنامه‌نويسي ژنتيك استفاده شده است. با توجه به پيشينه‌ي اين پژوهش، آزمون‌هايي با اهدافي چون توليد مسيرهاي حركتي چالش برانگيز، تعيين شرايط براي مسير و پردازش سيگنال‌هاي فرامين كنترل‌كننده‌ي خودروي خودران، انجام شده‌اند. اما با اين وجود، هر يك از آزمون‌ها ديدگاهي از پيشينه‌ي خود نداشته‌اند. در اين پژوهش ما توانسته‌ايم با توليد معادلاتي بر اساس آزمون‌هاي پيشين، روشي را به عنوان آزمون‌هاي حافظه‌دار معرفي كنيم. حافظه‌ي هر آزمون را مي‌توان از روي دامنه مقادير هر معادله به دست آورد.

1401/08/24

Discovery of critical values range and latent anomalies in autonomous vehicles simulation platforms using software testing methods

2/27/2023 12:00:00 AM

Purpose of this research is to use the software testing in the control system of autonomous vehicles with the aim of discovering anomalies. These systems are tested in driving simulators before entering the final phase. In simulation, results of the tests can be seen immediately in the performance of the car's physical structure. Therefore, by collecting test data (values related to test conditions) as learning samples and using the vehicle's physical reaction against the conditions encountered as a label for that sample, learning models to target test data generation methods; are created. For example, in this research, we were able to obtain an equation based on road specific conditions by moving several examples of self-driving cars in the selected simulator environment (CARLA) with five well-known racing tracks in the world. These racetracks are taken from OSM's open-source maps and given to the selected simulator as the driving path. The obtained equations are used to improve the next tests. Genetic programming algorithm has been used to derive these equations. According to the background of this research, tests have been carried out with goals such as generating challenging driving paths, determining the conditions for the path and processing the command signals of the self-driving car controller. But nevertheless, each of the tests did not have a view of previous ones. In this research, we have been able to introduce a method as memory tests by generating equations based on previous tests. The memory of each test can be obtained from the range of values of each equation.

آزمون نرم افزار , خودروي خودران , شبيه‌سازي , الگوريتم ژنتيك

Software Testing , Autonomous Vehicle , Simulation , Genetic Algorithm

Hita Barasm Mamagani

Saeed Parsa