Fugu-MT 論文翻訳(概要): Data Driven Testing of Cyber Physical Systems

論文の概要: Data Driven Testing of Cyber Physical Systems

arxiv url: http://arxiv.org/abs/2102.11491v2
Date: Tue, 23 Mar 2021 11:52:02 GMT
ステータス: 処理完了
システム内更新日: 2023-04-10 03:42:22.059596
Title: Data Driven Testing of Cyber Physical Systems
Title（参考訳）: サイバー物理システムのデータ駆動テスト
Authors: Dmytro Humeniuk, Giuliano Antoniol, Foutse Khomh
Abstract要約: そこで本研究では,CPSの故障防止テストケースを自動生成する手法を提案する。スマートな建物を管理するアプリケーションから収集されたデータは、環境のモデルを学ぶために使われてきた。
参考スコア（独自算出の注目度）: 12.93632948681342
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Consumer grade cyber-physical systems (CPS) are becoming an integral part of our life, automatizing and simplifying everyday tasks. Indeed, due to complex interactions between hardware, networking and software, developing and testing such systems is known to be a challenging task. Various quality assurance and testing strategies have been proposed. The most common approach for pre-deployment testing is to model the system and run simulations with models or software in the loop. In practice, most often, tests are run for a small number of simulations, which are selected based on the engineers' domain knowledge and experience. In this paper we propose an approach to automatically generate fault-revealing test cases for CPS. We have implemented our approach in Python, using standard frameworks and used it to generate scenarios violating temperature constraints for a smart thermostat implemented as a part of our IoT testbed. Data collected from an application managing a smart building have been used to learn models of the environment under ever changing conditions. The suggested approach allowed us to identify several pit-fails, scenarios (i.e., environment conditions and inputs), where the system behaves not as expected.
Abstract（参考訳）: 消費者レベルのサイバー物理システム(CPS)は私たちの生活の不可欠な部分となり、日々のタスクを自動化し、単純化しています。実際、ハードウェア、ネットワーク、ソフトウェア間の複雑な相互作用のため、そのようなシステムの開発とテストは難しい課題であることが知られている。様々な品質保証とテスト戦略が提案されている。デプロイ前テストの最も一般的なアプローチは、システムをモデル化し、ループ内のモデルやソフトウェアでシミュレーションを実行することです。実際には、多くの場合、少数のシミュレーションのためにテストが実行され、エンジニアのドメイン知識と経験に基づいて選択される。本稿では,CPSの故障防止テストケースを自動生成する手法を提案する。私たちはPythonにアプローチを実装し、標準的なフレームワークを使用して、IoTテストベッドの一部として実装されたスマートサーモスタットの温度制約を違反するシナリオを生成しました。スマートビルを管理するアプリケーションから収集されたデータは、常に変化する状況下で環境のモデルを学ぶために使われています。提案したアプローチでは,システムに期待通りに振る舞うことのないいくつかの落とし穴,シナリオ(環境条件,入力など)を特定できた。

関連論文リスト

A Roadmap for Simulation-Based Testing of Autonomous Cyber-Physical Systems: Challenges and Future Direction [5.742965094549775]
本稿では,自律システムのシミュレーションに基づくテストの戦略的ロードマップを開拓する。本稿では,テスト自動化と品質保証に着目し,ACPSの課題と障害について論じる。
論文参考訳（メタデータ） (2024-05-02T07:42:33Z)
Asynchronous Integration of Real-Time Simulators for HIL-based Validation of Smart Grids [0.08796261172196743]
本稿では,実時間シミュレータを協調シミュレーション環境に統合することにより,テストの観点から開放される可能性について考察する。スマートグリッドアプリケーションは通常、比較的多数の物理デバイス、ソフトウェアコンポーネント、通信技術を含む。
論文参考訳（メタデータ） (2023-09-14T11:44:21Z)
A Requirements-Driven Platform for Validating Field Operations of Small Uncrewed Aerial Vehicles [48.67061953896227]
DroneReqValidator (DRV)は、sUAS開発者が運用コンテキストを定義し、複数のsUASミッション要件を設定し、安全性特性を指定し、独自のsUASアプリケーションを高忠実な3D環境にデプロイすることを可能にする。 DRVモニタリングシステムは、sUASと環境からランタイムデータを収集し、安全特性のコンプライアンスを分析し、違反をキャプチャする。
論文参考訳（メタデータ） (2023-07-01T02:03:49Z)
AmbieGen: A Search-based Framework for Autonomous Systems Testing [12.93632948681342]
AmbieGenは、自律システムのための検索ベースのテストケース生成フレームワークである。自律ロボットのテストケース生成と自動車線維持支援システムをサポートする。
論文参考訳（メタデータ） (2023-01-01T23:42:32Z)
A Search-Based Framework for Automatic Generation of Testing Environments for Cyber-Physical Systems [12.93632948681342]
我々は,自律型サイバー物理システムのための多種多様な障害露呈テストシナリオを生成するために,AmbieGenという検索ベースのフレームワークを設計する。我々はAmbieGenを3つのシナリオ生成ケーススタディ、すなわちスマートサーモスタット、ロボット障害物回避システム、車線維持支援システムで評価した。
論文参考訳（メタデータ） (2022-03-23T02:10:30Z)
A Survey on Scenario-Based Testing for Automated Driving Systems in High-Fidelity Simulation [26.10081199009559]
道路上でシステムをテストすることは、現実世界と望ましいアプローチに最も近いが、非常にコストがかかる。一般的な選択肢は、ADSのパフォーマンスを、よく設計されたシナリオ、すなわちシナリオベースのテストで評価することである。高忠実度シミュレータはこの設定で、何のシナリオかをテストする際の柔軟性と利便性を最大化するために広く使われている。
論文参考訳（メタデータ） (2021-12-02T03:41:33Z)
An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文参考訳（メタデータ） (2021-08-09T17:39:09Z)
A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文参考訳（メタデータ） (2020-11-17T22:24:26Z)
Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文参考訳（メタデータ） (2020-11-16T08:24:34Z)
Testing the Safety of Self-driving Vehicles by Simulating Perception and Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文参考訳（メタデータ） (2020-08-13T17:20:02Z)
Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement Learning Framework [68.96770035057716]
A/Bテスト(A/B Testing)は、新しい製品を製薬、技術、伝統産業の古い製品と比較するビジネス戦略である。本稿では,オンライン実験においてA/Bテストを実施するための強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-02-05T10:25:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。