論文の概要: SDVDiag: A Modular Platform for the Diagnosis of Connected Vehicle Functions
- arxiv url: http://arxiv.org/abs/2507.19403v1
- Date: Fri, 25 Jul 2025 16:09:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-28 16:16:49.030377
- Title: SDVDiag: A Modular Platform for the Diagnosis of Connected Vehicle Functions
- Title（参考訳）: SDVDiag: 連結車両機能診断のためのモジュールプラットフォーム
- Authors: Matthias Weiß, Falk Dettinger, Michael Weyrich,
- Abstract要約: 本稿では,コネクテッドカー機能診断のための自動プラットフォームであるSDVDiagについて述べる。
このプラットフォームは、初期データ収集から潜在的な根本原因のトレースまで、すべてのステップをカバーするパイプラインの作成を可能にする。
接続された車両機能のための5Gテストフリート環境内に展開される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Connected and software-defined vehicles promise to offer a broad range of services and advanced functions to customers, aiming to increase passenger comfort and support autonomous driving capabilities. Due to the high reliability and availability requirements of connected vehicles, it is crucial to resolve any occurring failures quickly. To achieve this however, a complex cloud/edge architecture with a mesh of dependencies must be navigated to diagnose the responsible root cause. As such, manual analyses become unfeasible since they would significantly delay the troubleshooting. To address this challenge, this paper presents SDVDiag, an extensible platform for the automated diagnosis of connected vehicle functions. The platform enables the creation of pipelines that cover all steps from initial data collection to the tracing of potential root causes. In addition, SDVDiag supports self-adaptive behavior by the ability to exchange modules at runtime. Dependencies between functions are detected and continuously updated, resulting in a dynamic graph view of the system. In addition, vital system metrics are monitored for anomalies. Whenever an incident is investigated, a snapshot of the graph is taken and augmented by relevant anomalies. Finally, the analysis is performed by traversing the graph and creating a ranking of the most likely causes. To evaluate the platform, it is deployed inside an 5G test fleet environment for connected vehicle functions. The results show that injected faults can be detected reliably. As such, the platform offers the potential to gain new insights and reduce downtime by identifying problems and their causes at an early stage.
- Abstract（参考訳）: 接続およびソフトウェア定義の車両は、幅広いサービスと高度な機能を顧客に提供し、乗客の快適性を高め、自動運転機能をサポートすることを約束している。
連結車両の信頼性と可用性の要求が高いため、発生した障害を迅速に解決することが不可欠である。
しかし、これを実現するには、依存関係のメッシュを備えた複雑なクラウド/エッジアーキテクチャをナビゲートして、責任ある根本原因を診断する必要がある。
そのため、トラブルシューティングを著しく遅らせる可能性があるため、手作業による分析は不可能となる。
そこで本研究では,連結車両機能の自動診断のための拡張プラットフォームであるSDVDiagを提案する。
このプラットフォームは、初期データ収集から潜在的な根本原因のトレースまで、すべてのステップをカバーするパイプラインの作成を可能にする。
さらに、SDVDiagは実行時にモジュールを交換する機能によって、自己適応的な動作をサポートする。
関数間の依存が検出され、継続的に更新されるため、システムの動的なグラフビューが生成される。
さらに、システムメトリクスが異常に対して監視される。
インシデントが調査されると、関連する異常によってグラフのスナップショットを撮り、拡張する。
最後に、分析はグラフをトラバースし、最も可能性の高い原因のランキングを作成することで行われる。
プラットフォームを評価するために、コネクテッドカー機能のための5Gテストフリート環境内に展開される。
その結果, 注入された断層は確実に検出できることがわかった。
そのため、このプラットフォームは、早期に問題とその原因を特定することによって、新たな洞察を得て、ダウンタイムを削減できる可能性を提供します。
関連論文リスト
- Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。
本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。
我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
論文 参考訳（メタデータ） (2025-05-09T20:28:17Z) - Automated Root Cause Analysis System for Complex Data Products [1.7458548956314806]
本稿では,高速な診断実装と低学習曲線のための診断プラットフォームARCAS(Automated Root Cause Analysis System)を提案する。
アルカスは自動トラブルシューティングガイド(Auto-TSG)のコンステレーションで構成されており、製品テレメトリを使用して問題を検出し、ほぼリアルタイムで緩和することができる。
論文 参考訳（メタデータ） (2024-12-19T20:10:54Z) - FaultExplainer: Leveraging Large Language Models for Interpretable Fault Detection and Diagnosis [7.161558367924948]
本稿では,テネシー・イーストマン・プロセス(TEP)における障害検出,診断,説明の改善を目的とした対話型ツールであるFactExplainerを提案する。
FaultExplainerは、リアルタイムセンサデータ可視化、主成分分析(PCA)に基づく障害検出、および大規模言語モデル(LLM)を利用した対話型ユーザインタフェースにおける上位コントリビューション変数の識別を統合する。
2つのシナリオでLLMの推論能力を評価する。1つは歴史的根本原因が提供される場合であり、もう1つは以前に見つからなかった障害の課題を模倣しない場合である。
論文 参考訳（メタデータ） (2024-12-19T03:35:06Z) - Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。
私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文 参考訳（メタデータ） (2024-07-09T04:56:11Z) - Application of a Dense Fusion Attention Network in Fault Diagnosis of Centrifugal Fan [15.414035116487037]
本稿では,従来の密集カスケード操作ではなく,分散注意モジュールを密接な接続に埋め込む方法について論じる。
提案した高密度融合は,ネットワーク診断プロセスの可視化に焦点を当て,モデル診断の解釈可能性を高める。
実験の結果,ネットワークの診断性能は,他の先進的な故障診断モデルよりも高いことがわかった。
論文 参考訳（メタデータ） (2023-11-12T07:09:11Z) - RCAgent: Cloud Root Cause Analysis by Autonomous Agents with Tool-Augmented Large Language Models [46.476439550746136]
近年,クラウド根本原因分析(RCA)における言語モデル (LLM) の適用が活発に検討されている。
RCAgentは、実用的でプライバシに配慮した産業RCA利用のためのツール強化LDM自律エージェントフレームワークである。
RCAgentはGPTファミリではなく、内部的にデプロイされたモデル上で動作し、フリーフォームのデータ収集とツールによる包括的な分析を行うことができる。
論文 参考訳（メタデータ） (2023-10-25T03:53:31Z) - PyRCA: A Library for Metric-based Root Cause Analysis [66.72542200701807]
PyRCAは、AIOps(AIOps)のためのRoot Cause Analysis(RCA)のオープンソースの機械学習ライブラリである。
複雑なメトリクス因果依存性を明らかにし、インシデントの根本原因を自動的に特定する、包括的なフレームワークを提供する。
論文 参考訳（メタデータ） (2023-06-20T09:55:10Z) - Disentangled Causal Graph Learning for Online Unsupervised Root Cause
Analysis [49.910053255238566]
ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。
従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。
我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
論文 参考訳（メタデータ） (2023-05-18T01:27:48Z) - Monitoring and Adapting ML Models on Mobile Devices [17.28565076128893]
ユーザからのフィードバックを必要とせずに、モバイルデバイス上でモデルを継続的に監視し、適応するための、最初のエンドツーエンドシステムを設計する。
私たちのキーとなる観察は、しばしばモデル劣化は特定の根本原因によるもので、大規模なデバイス群に影響を与える可能性があるということです。
2つのコンピュータビジョンデータセット上でシステム評価を行い、既存のアプローチと比較して精度を継続的に向上させることを示す。
論文 参考訳（メタデータ） (2023-05-12T21:33:26Z) - DiffStack: A Differentiable and Modular Control Stack for Autonomous
Vehicles [75.43355868143209]
DiffStackは、予測、計画、制御のための、微分可能でモジュラーなスタックです。
nuScenesデータセットの結果から,DiffStackによるエンドツーエンドトレーニングは,オープンループおよびクローズループ計画の指標を大幅に改善することが示された。
論文 参考訳（メタデータ） (2022-12-13T09:05:21Z) - Causal Scene BERT: Improving object detection by searching for
challenging groups of data [125.40669814080047]
コンピュータビジョンアプリケーションは、物体検出のようなタスクのためにニューラルネットワークでパラメータ化された学習ベースの知覚モジュールに依存している。
これらのモジュールは、トレーニングプロセスに固有のバイアスのため、予想される誤差が低いが、データの非定型的なグループに対して高い誤差を持つことが多い。
本研究の主な貢献は,シミュレートされたシーンに対して因果的介入を行うことにより,前向きにそのようなグループを発見する擬似オートマチック手法である。
論文 参考訳（メタデータ） (2022-02-08T05:14:16Z) - Monitoring and Diagnosability of Perception Systems [21.25149064251918]
本稿では,認識システムにおける実行時モニタリングと故障検出と識別のための数学的モデルを提案する。
本稿では,LGSVL自動運転シミュレータとApollo Auto自動運転ソフトウェアスタックを用いた実写シミュレーションにおいて,PerSySと呼ばれるモニタリングシステムを実演する。
論文 参考訳（メタデータ） (2020-11-11T23:03:14Z)
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。