跟著快節奏的日子，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~

深度神經網絡（Deep Neural Network, DNNs）最近取得了很好的發展，這促進了DNN驅動的主動駕馭轎車的開展。它們經過傳感器如攝像機、激光雷達等感知環境，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取得了驚人的發展，就像傳統的軟件相同，卻常常暴露出不正確或不符預期的極點景象行為，這些可能會導致潛在的喪命磕碰。幾起主動駕馭轎車涉事的實在國際的事端現已發作，其間一個還導致了逝世。針對主動駕馭的大多數現有的測驗技能都依賴于人工收集測驗數據，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，咱們規劃、完成和評估了DeepTest，一個針對根據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致喪命事端的過錯行為。首要，咱們的東西是運用實踐環境的改變主動生成測驗用例的，這些環境如雨、霧、照明條件等。其次，DeepTest經過生成測驗輸入，最大極限地激活神經元的數量，體系地探求DNN內部邏輯的各種部分。試驗成果標明，DeepTest能在實踐的Udacity主動駕馭轎車應戰賽中三大性能最好的DNN模型里發現不計其數的過錯行為，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深度學習網絡的體系，比方主動駕馭轎車體系時面對的首要應戰之一是怎么人工地創立體系的需求標準，經過它來對體系的行為是否正確進行檢查。為這樣一個體系創立具體的標準是很有應戰性的，由于它本質上需求從頭規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系。一個要害的見地是即便很難為每一個變轉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之間的斷定聯系。例如，關于相同的圖畫，但在不同照明或氣候條件下，無人駕馭轎車的轉向角不該發作明顯改變，同理，對圖片進行含糊處理或許細小參數仿射改變處理，也不該該發作明顯改變。

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，在安全攸關的根據DNN的體系中，如主動駕馭體系，能使模型的神經元掩蓋率最大化。咱們的經歷研討標明，神經元掩蓋的改變與主動駕馭轎車行為的改變是相關的。

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，能夠用來發生組成測驗用例，添加神經元的掩蓋率。咱們運用根據變換的蛻變聯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，據咱們所知，這是針對DNN驅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主動駕馭轎車應戰賽中三大性能最好的DNN模型。DeepTest能發現不計其數的過錯行為，許多可導致潛在的喪命的磕碰。

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

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

咱們的東西DeepTest在實踐的深度神經網絡Chauffeur 中發現的過錯的風險行為。

深度神經網絡（DNNs）首要分為卷積神經網絡（CNN）和循環神經網絡（RNN），簡化了的架構分別如圖所示。

經過圖片變換兼并來提高神經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、平移等等）激活的神經元的差異，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元掩蓋率。

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