Despite the tremendous development in the autonomous vehicle industry, the tools for systematic testing are still lacking. Real-world testing is time-consuming and above all, dangerous. There is also a lack of a framework to automatically generate critical scenarios to test autonomous vehicles. This thesis develops a general framework for end- to- end testing of an autonomous vehicle in a simulated environment. The framework provides the capability to generate and execute a large number of traffic scenarios in a reliable manner. Two methods are proposed to compute the criticality of a traffic scenario. A so-called critical value is used to learn the probability distribution of the critical scenario iteratively. The obtained probability distribution can be used to sample critical scenarios for testing and for benchmarking a different autonomous vehicle. To describe the static and dynamic participants of urban traffic scenario executed by the simulator, OpenDrive and OpenScenario standards are used. / Trots den enorma utvecklingen inom den autonoma fordonsindustrin saknas fortfarande verktygen för systematisk testning. Verklig testning är tidskrävande och framför allt farlig. Det saknas också ett ramverk för att automatiskt generera kritiska scenarier för att testa autonoma fordon. Denna avhandling utvecklar en allmän ram för end-to-end- test av ett autonomt fordon i en simulerad miljö. Ramverket ger möjlighet att generera och utföra ett stort antal trafikscenarier på ett tillförlitligt sätt. Två metoder föreslås för att beräkna kritiken i ett trafikscenario. Ett så kallat kritiskt värde används för att lära sig sannolikhetsfördelningen för det kritiska scenariot iterativt. Den erhållna sannolikhetsfördelningen kan användas för att prova kritiska scenarier för testning och för benchmarking av ett annat autonomt fordon. För att beskriva de statiska och dynamiska deltagarna i stadstrafikscenariot som körs av simulatorn används OpenDrive och OpenScenario-standarder.

The latest trends in autonomous vehicles research gave rise to the needs for specific tools to validate and test such systems. The estimations state that to consider an autonomous vehicle statistically safe, it should drive for thousands of kilometres using traditional validation methods. This process would take a long time. Furthermore, an update in the software, would require to re-run those kilometres. Therefore, the testing must be performed exploiting virtual simulations that should realistically reflect the real world. One way to perfor msuch simulations is to let the vehicle model drive down a road map and control the surrounding traffic. To be effective, spawned traffic should not be generated too far from the target vehicle. The OpenSCENARIO standard offers a feature restricting such traffic within an ellipse centred in the central object (target vehicle). This thesis investigated what technique was more efficient and scalable to detect viable roads within the ellipse to spawn stochastic traffic on. The explored solutions are two: an analytical approach and an adaptation of the AABB tree algorithm. The research started with simple cases and incremented the scenario’s complexity during the development. Through this methodology, each technique’s positive aspects and limits have been highlighted, allowing a comparison to be made. / De senaste trenderna i autonoma fordon har ökat behovet av specifika verktyg för att validera och testa sådana system. För att kunna betrakta ett autonomt fordon som statistiskt säkert, ska enligt uppskattningar autonoma fordon köra tusentals kilometer med traditionella valideringsmetoder. Denna process skulle ta mycket lång tid. Dessutom skulle en uppdatering i mjukvaran kräva att alla dessa tusentals kilometer att körs igen. Därför måste testningen utföras med hjälp av virtuella simuleringar som bör efterlikna den reella världen realistiskt. Ett sätt att genomföra dessa simuleringar är att låta en autonom fordonsmodell köra genom ett vägnät och kontrollera kringliggande trafik. För att vara effektiv, bör kringliggande trafik inte genereras för långt bort från autonoma fordonsmodellen. OpenSCENARIO-standarden innehåller en funktion som begränsar genererad trafik inom en ellips centrerad kring fordonsmodellen. Detta examensarbete undersökte vilka tekniker som är mest effektiva och skalbara för att detektera relevanta vägar inom ellipsen att generera stokastisk trafik på. De två lösningar som studerades var: en analytisk och en numerisk som använde sig av AABB-träd-algoritmen. Utförandet började med simpla fall som successivt ökade till mer avancerade scenarion. Genom denna metodik blev varje tekniks positiva aspekter samt begränsningar belysta och jämförbara.