論文の概要: Regression Testing Optimization for ROS-based Autonomous Systems: A Comprehensive Review of Techniques
- arxiv url: http://arxiv.org/abs/2506.16101v1
- Date: Thu, 19 Jun 2025 07:43:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-23 19:00:04.979589
- Title: Regression Testing Optimization for ROS-based Autonomous Systems: A Comprehensive Review of Techniques
- Title（参考訳）: ROSに基づく自律システムの回帰テスト最適化 : 総合的な技術レビュー
- Authors: Yupeng Jiang, Shuaiyi Sun, Xi Zheng,
- Abstract要約: ROSASに適した回帰テスト最適化手法を体系的にレビューする最初の総合的な調査を行う。
我々は122の代表的な研究を回帰テストケースの優先順位付け、最小化、選択方法に分類した。
ROSASの回帰テストに特有の大きな課題として,頻繁なシステム修正に対応するテストを効果的に優先順位付けすること,冗長テストを効率的に最小化すること,影響のあるテストケースを正確に選択することの難しさを挙げる。
- 参考スコア（独自算出の注目度）: 6.978850097048969
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Regression testing plays a critical role in maintaining software reliability, particularly for ROS-based autonomous systems (ROSAS), which frequently undergo continuous integration and iterative development. However, conventional regression testing techniques face significant challenges when applied to autonomous systems due to their dynamic and non-deterministic behaviors, complex multi-modal sensor data, asynchronous distributed architectures, and stringent safety and real-time constraints. Although numerous studies have explored test optimization in traditional software contexts, regression testing optimization specifically for ROSAS remains largely unexplored. To address this gap, we present the first comprehensive survey systematically reviewing regression testing optimization techniques tailored for ROSAS. We analyze and categorize 122 representative studies into regression test case prioritization, minimization, and selection methods. A structured taxonomy is introduced to clearly illustrate their applicability and limitations within ROSAS contexts. Furthermore, we highlight major challenges specific to regression testing for ROSAS, including effectively prioritizing tests in response to frequent system modifications, efficiently minimizing redundant tests, and difficulty in accurately selecting impacted test cases. Finally, we propose research insights and identify promising future directions, such as leveraging frame-to-vector coverage metrics, multi-source foundation models, and neurosymbolic reasoning to enhance regression testing efficiency and effectiveness. This survey provides a foundational reference and practical roadmap for advancing the state-of-the-art in regression testing optimization for ROSAS.
- Abstract（参考訳）: 回帰テストは、特にROSAS(ROOS-based autonomous systems)において、ソフトウェアの信頼性を維持する上で重要な役割を担います。
しかし、従来の回帰テスト手法は、動的かつ非決定論的挙動、複雑なマルチモーダルセンサデータ、非同期分散アーキテクチャ、厳密な安全性とリアルタイム制約により、自律システムに適用する際の重大な課題に直面している。
従来のソフトウェアコンテキストにおけるテストの最適化について多くの研究がなされているが、ROSSに特化した回帰テストの最適化は未検討のままである。
このギャップに対処するために、ROSSに適した回帰テスト最適化手法を体系的にレビューする最初の総合的な調査を提示する。
我々は122の代表的な研究を回帰テストケースの優先順位付け、最小化、選択方法に分類した。
ROSASの文脈における適用性と限界を明確に示すために、構造化された分類法が導入された。
さらに、頻繁なシステム修正に対応するテストを効果的に優先順位付けすること、冗長テストを効率的に最小化すること、影響のあるテストケースを正確に選択することの難しさなど、ROSSの回帰テストに特有の大きな課題を強調した。
最後に、回帰テストの効率と有効性を高めるために、フレーム・ツー・ベクター・カバレッジ・メトリクス、マルチソース・ファンデーション・モデル、ニューロシンボリック・推論を活用した研究の洞察と将来的な方向性の特定を提案する。
この調査は、ROSASの回帰テスト最適化における最先端の進歩に向けた基礎的な基準と実践的なロードマップを提供する。
関連論文リスト
- AI-Driven Tools in Modern Software Quality Assurance: An Assessment of Benefits, Challenges, and Future Directions [0.0]
この研究は、現代のAI指向ツールを品質保証プロセスに統合するメリット、課題、および展望を評価することを目的としている。
この研究は、AIがQAに変革をもたらす可能性を実証しているが、これらの技術を実装するための戦略的アプローチの重要性を強調している。
論文 参考訳（メタデータ） (2025-06-19T20:22:47Z) - Taming Polysemanticity in LLMs: Provable Feature Recovery via Sparse Autoencoders [50.52694757593443]
既存のSAEトレーニングアルゴリズムは厳密な数学的保証を欠いていることが多く、実用的な制限に悩まされている。
まず,特徴の特定可能性という新たな概念を含む特徴回復問題の統計的枠組みを提案する。
本稿では、ニューラルネットワークのバイアスパラメータを適応的に調整し、適切なアクティベーション間隔を確保する手法である「バイアス適応」に基づく新たなSAEトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-16T20:58:05Z) - Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers [0.0]
Retrieval-Augmented Generation (RAG) は、大規模言語モデルを強化するための強力なパラダイムとして登場した。
RAGは、検索品質、基底忠実度、パイプライン効率、ノイズや逆入力に対する堅牢性といった新しい課題を導入している。
本調査は、RAG研究における現在の知識を集約し、次世代の検索強化言語モデリングシステムの基礎となることを目的としている。
論文 参考訳（メタデータ） (2025-05-28T22:57:04Z) - A Survey on the Application of Large Language Models in Scenario-Based Testing of Automated Driving Systems [6.608557716494977]
論文は5つのオープンな課題と潜在的研究の方向性を概説することで締めくくっている。
LLM(Large Language Models)の出現は、シナリオベースのテストを強化する新たな機会をもたらした。
論文 参考訳（メタデータ） (2025-05-22T12:25:44Z) - Representation Improvement in Latent Space for Search-Based Testing of Autonomous Robotic Systems [13.431632585434384]
自動運転車や無人航空機のような自律型ロボットシステムのテストは、予測不可能な環境との相互作用のために難しい。
より効率的にテストシナリオを生成するために、多くの検索ベースのアプローチが提案された。
変分オートエンコーダの潜在空間にマッピングすることで,テスト表現を向上させるRILaSTを提案する。
論文 参考訳（メタデータ） (2025-03-26T15:34:42Z) - Chain-of-Retrieval Augmented Generation [72.06205327186069]
本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。
提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
論文 参考訳（メタデータ） (2025-01-24T09:12:52Z) - "FRAME: Forward Recursive Adaptive Model Extraction-A Technique for Advance Feature Selection" [0.0]
本研究では,新しいハイブリッド手法であるフォワード再帰適応モデル抽出手法(FRAME)を提案する。
FRAMEは、フォワード選択と再帰的特徴除去を組み合わせて、さまざまなデータセットにおける機能選択を強化する。
その結果、FRAMEは下流の機械学習評価指標に基づいて、常に優れた予測性能を提供することが示された。
論文 参考訳（メタデータ） (2025-01-21T08:34:10Z) - Test-Time Domain Generalization for Face Anti-Spoofing [60.94384914275116]
Face Anti-Spoofing (FAS) は、顔認識システムをプレゼンテーション攻撃から保護するために重要である。
本稿では,テストデータを活用してモデルの一般化性を高める新しいテスト時間領域一般化フレームワークについて紹介する。
テスト時間スタイル投影 (TTSP) とディバーススタイルシフトシミュレーション (DSSS) によって構成された本手法は, 目に見えないデータを領域空間に効果的に投影する。
論文 参考訳（メタデータ） (2024-03-28T11:50:23Z) - DNS-Rec: Data-aware Neural Architecture Search for Recommender Systems [79.76519917171261]
本稿では,SRS(Sequential Recommender Systems)における計算オーバーヘッドと資源非効率性について述べる。
本稿では, プルーニング法と高度なモデル設計を組み合わせた革新的な手法を提案する。
我々の主な貢献は、リコメンダシステム(DNS-Rec)のためのデータ対応ニューラルアーキテクチャ検索の開発である。
論文 参考訳（メタデータ） (2024-02-01T07:22:52Z) - Position: AI Evaluation Should Learn from How We Test Humans [65.36614996495983]
人間の評価のための20世紀起源の理論である心理測定は、今日のAI評価における課題に対する強力な解決策になり得る、と我々は主張する。
論文 参考訳（メタデータ） (2023-06-18T09:54:33Z)
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。