Forschung

Softwaretests mittels Reinforcement Learning

Die Verifikation und Validierung von Software stellen einen kritischen Bestandteil moderner Entwicklungsprozesse dar. Mit dem kontinuierlich steigenden Funktionsumfang moderner Softwaresysteme wächst der Bedarf an effizienten, skalierbaren und automatisierten Testverfahren. Reinforcement Learning (RL) bietet mit seinen auf der Agent-Umgebung-Interaktion basierenden Ansätzen ein vielversprechendes Framework zur Automatisierung von Softwaretests. Insbesondere eignet sich RL zur Identifikation von komplexen Fehlerszenarien, die durch spezifische und nicht-triviale Abfolgen von Zuständen und Aktionen ausgelöst werden. Durch die iterative Anpassung von Teststrategien auf Basis ihrer Gütefunktion können RL-Agenten dynamisch Testszenarien generieren, die bisher unentdeckte Fehler und Anomalien aufdecken. Am ITIV&FZI wird an der Entwicklung neuartiger RL-Methoden geforscht, die darauf abzielen, den Softwaretestprozess sowohl in Bezug auf Effizienz als auch auf die Abdeckung potenzieller Fehlerzustände zu optimieren und die Entdeckung von schwer identifizierbaren Anomalien zu erleichtern.

Intelligente and adaptive Verkehrssimulation

Die Validierung automatisierter Fahrfunktionen stellt aufgrund der Diskrepanz zwischen Simulationen und realen Verkehrssituationen eine zentrale Herausforderung dar. Bisherige Ansätze, die auf vorab aufgezeichnete Trajektorien von Verkehrsteilnehmern zurückgreifen, sind begrenzt, da diese Agenten nicht in der Lage sind, auf das Verhalten automatisierter Fahrzeuge adäquat zu reagieren. Dies führt zu unrealistischen Simulationsergebnissen, die für die zuverlässige Bewertung von Fahrfunktionen nicht ausreichend sind. Lernbasierte Methoden bieten jedoch neue Potenziale, um realistische und reaktive Verkehrsagenten zu entwickeln, die dynamisch auf das Verhalten automatisierter Fahrzeuge reagieren und gezielt kritische Verkehrsszenarien generieren. Dies ermöglicht eine gezielte Untersuchung des Verhaltens automatisierter Fahrzeuge in herausfordernden Situationen und trägt zur Verbesserung ihrer Robustheit bei. Am ITIV&FZI werden neuartige Verfahren erforscht, um diese Ansätze effizient zu implementieren und die Validierung automatisierter Fahrzeuge durch realistische und adaptive Simulationsumgebungen signifikant zu verbessern.

Studentische Arbeiten
Titel	Typ	Datum