跟著快節(jié)奏的日子，小轎車幾乎是每個家庭中必不可少的出行東西，所以咱們今兒來說說轎車的主動化測驗。讓你更了解你的小轎車。當當，論題開端~

深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network, DNNs）最近取得了很好的發(fā)展，這促進了DNN驅(qū)動的主動駕馭轎車的開展。它們經(jīng)過傳感器如攝像機、激光雷達等感知環(huán)境，就能夠在無人輔佐的情況下主動駕馭。首要的制造商包含通用、福特、特斯拉、寶馬，和waymo 谷歌正致力于締造和測驗不同類型的主動駕馭轎車。但是，雖然DNNs取得了驚人的發(fā)展，就像傳統(tǒng)的軟件相同，卻常常暴露出不正確或不符預(yù)期的極點景象行為，這些可能會導(dǎo)致潛在的喪命磕碰。幾起主動駕馭轎車涉事的實在國際的事端現(xiàn)已發(fā)作，其間一個還導(dǎo)致了逝世。針對主動駕馭的大多數(shù)現(xiàn)有的測驗技能都依賴于人工收集測驗數(shù)據(jù)，收集不同的駕馭條件，跟著測驗場景的添加，這將會變得不可承受地貴重。

在本文中，咱們規(guī)劃、完成和評估了DeepTest，一個針對根據(jù)DNN的主動駕馭轎車體系的測驗東西，它能主動檢測體系中存在的可能導(dǎo)致喪命事端的過錯行為。首要，咱們的東西是運用實踐環(huán)境的改變主動生成測驗用例的，這些環(huán)境如雨、霧、照明條件等。其次，DeepTest經(jīng)過生成測驗輸入，最大極限地激活神經(jīng)元的數(shù)量，體系地探求DNN內(nèi)部邏輯的各種部分。試驗成果標明，DeepTest能在實踐的Udacity主動駕馭轎車應(yīng)戰(zhàn)賽中三大性能最好的DNN模型里發(fā)現(xiàn)不計其數(shù)的過錯行為，它們存在于不同的實在的駕馭條件下（如含糊、雨、霧等），許多會導(dǎo)致潛在的喪命磕碰。

本文憑借蛻變測驗辦法來輔佐處理Oracle問題。在測驗一個雜亂的根據(jù)深度學(xué)習(xí)網(wǎng)絡(luò)的體系，比方主動駕馭轎車體系時面對的首要應(yīng)戰(zhàn)之一是怎么人工地創(chuàng)立體系的需求標準，經(jīng)過它來對體系的行為是否正確進行檢查。為這樣一個體系創(chuàng)立具體的標準是很有應(yīng)戰(zhàn)性的，由于它本質(zhì)上需求從頭規(guī)劃一個完美的真人駕馭員的邏輯。為了處理這個問題，咱們運用不同的組成圖畫中的轎車行為之間的蛻變聯(lián)系。一個要害的見地是即便很難為每一個變轉(zhuǎn)后的輸入圖畫指定自駕車的正確行為，你仍然能夠界說轎車的行為在某些類型的變轉(zhuǎn)之間的斷定聯(lián)系。例如，關(guān)于相同的圖畫，但在不同照明或氣候條件下，無人駕馭轎車的轉(zhuǎn)向角不該發(fā)作明顯改變，同理，對圖片進行含糊處理或許細小參數(shù)仿射改變處理，也不該該發(fā)作明顯改變。

本文的首要奉獻是：

1、咱們提出一套主動化生成組成測驗用例的體系性的技能，在安全攸關(guān)的根據(jù)DNN的體系中，如主動駕馭體系，能使模型的神經(jīng)元掩蓋率最大化。咱們的經(jīng)歷研討標明，神經(jīng)元掩蓋的改變與主動駕馭轎車行為的改變是相關(guān)的。

2、咱們證明了不同的圖畫變換，如對比度的改變，霧的存在與否等，能夠用來發(fā)生組成測驗用例，添加神經(jīng)元的掩蓋率。咱們運用根據(jù)變換的蛻變聯(lián)系來主動檢測過錯行為。咱們的試驗也標明，組成的圖畫可用于從頭練習(xí)DNNs模型，使DNNs模型在處理極點景象的時分更強健。

3、咱們在DeepTest上實施該技能，據(jù)咱們所知，這是針對DNN驅(qū)動的主動駕馭體系的第一個體系性的主動化測驗東西。咱們用DeepTest體系性地測驗實踐的Udacity主動駕馭轎車應(yīng)戰(zhàn)賽中三大性能最好的DNN模型。DeepTest能發(fā)現(xiàn)不計其數(shù)的過錯行為，許多可導(dǎo)致潛在的喪命的磕碰。

4、DeepTest檢測到的喪命過錯行為，咱們現(xiàn)已公開在deepTest或前往51Testing軟件測驗網(wǎng)。咱們也方案公開發(fā)布生成的測驗用圖畫以及東西的源代碼，以供開源社區(qū)運用。

實在國際中發(fā)作的主動駕馭轎車的事故，分別由下雨傳感器失效、圖畫識別失利導(dǎo)致人員逝世、過錯地估計了車速導(dǎo)致。

咱們的東西DeepTest在實踐的深度神經(jīng)網(wǎng)絡(luò)Chauffeur 中發(fā)現(xiàn)的過錯的風(fēng)險行為。

深度神經(jīng)網(wǎng)絡(luò)（DNNs）首要分為卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），簡化了的架構(gòu)分別如圖所示。

經(jīng)過圖片變換兼并來提高神經(jīng)元掩蓋率的貪婪搜索算法。

此圖標明不同的圖畫變換辦法（如含糊、旋轉(zhuǎn)、平移等等）激活的神經(jīng)元的差異，豎軸的杰卡德間隔越大標明差異越大，能夠看出除了第二個LSTM，其他的模型都是明顯有差異的，這標明不同的圖畫變換辦法激活的神經(jīng)元是明顯不同的。

三個圖片在不同的圖畫變換下的平價累積神經(jīng)元掩蓋率。

如表格所示，首要研討了神經(jīng)元掩蓋和轎車行為的聯(lián)系。第三列的計算成果中，Spearman相聯(lián)系數(shù)描寫的是神經(jīng)元掩蓋率和轉(zhuǎn)彎視點的聯(lián)系，為正時標明神經(jīng)元掩蓋添加時，轉(zhuǎn)彎視點就會變大，反之就會減小。能夠看出轉(zhuǎn)彎視點和神經(jīng)元掩蓋的線性聯(lián)系是計算明顯的，第四列的計算成果是描寫了轉(zhuǎn)彎方向和神經(jīng)元掩蓋的相關(guān)DeepTest運用組成圖畫檢測到的過錯行為。