論文の概要: Generative AI for Testing of Autonomous Driving Systems: A Survey

• arxiv url: http://arxiv.org/abs/2508.19882v1
• Date: Wed, 27 Aug 2025 13:40:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.647852
• Title: Generative AI for Testing of Autonomous Driving Systems: A Survey
• Title（参考訳）: 自律走行システムのテストのためのジェネレーティブAI:サーベイ
• Authors: Qunying Song, He Ye, Mark Harman, Federica Sarro,
• Abstract要約: 自律運転システム(ADS)は、社会に多大な利益をもたらす可能性がある研究の活発な領域である。 異なるテストアプローチが必要であり、ADSの効率的かつ効率的なテストを実現することは、依然としてオープンな課題である。 生成AIは多くのドメインにまたがる強力なツールとして登場し、コンテキストを解釈する能力により、ADSテストにも適用されつつある。 この調査は、ADSのテストにおける生成AIの使用に関する概要と実践的な洞察を提供し、既存の課題を強調し、この急速に発展する分野における将来の研究の方向性を概説する。
• 参考スコア（独自算出の注目度）: 13.226510198306885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous driving systems (ADS) have been an active area of research, with the potential to deliver significant benefits to society. However, before large-scale deployment on public roads, extensive testing is necessary to validate their functionality and safety under diverse driving conditions. Therefore, different testing approaches are required, and achieving effective and efficient testing of ADS remains an open challenge. Recently, generative AI has emerged as a powerful tool across many domains, and it is increasingly being applied to ADS testing due to its ability to interpret context, reason about complex tasks, and generate diverse outputs. To gain a deeper understanding of its role in ADS testing, we systematically analyzed 91 relevant studies and synthesized their findings into six major application categories, primarily centered on scenario-based testing of ADS. We also reviewed their effectiveness and compiled a wide range of datasets, simulators, ADS, metrics, and benchmarks used for evaluation, while identifying 27 limitations. This survey provides an overview and practical insights into the use of generative AI for testing ADS, highlights existing challenges, and outlines directions for future research in this rapidly evolving field.
• Abstract（参考訳）: 自律運転システム(ADS)は、社会に多大な利益をもたらす可能性がある研究の活発な領域である。 しかし、公道への大規模展開の前には、様々な運転条件下での機能と安全性を検証するために広範な試験が必要である。 したがって、異なるテストアプローチが必要であり、ADSの効率的かつ効率的なテストを実現することは、依然としてオープンな課題である。 近年、生成AIは多くのドメインにまたがる強力なツールとして登場し、コンテキストの解釈、複雑なタスクの推論、多様なアウトプットの生成などにより、ADSテストにも適用されつつある。 ADSテストにおけるその役割についてより深く理解するために、91の関連研究を体系的に分析し、これらの研究結果を6つの主要なアプリケーションカテゴリにまとめ、主にADSのシナリオベーステストに焦点をあてた。 また、評価に使用するデータセット、シミュレータ、ADS、メトリクス、ベンチマークを幅広くコンパイルし、27の制限を特定しました。 この調査は、ADSのテストにおける生成AIの使用に関する概要と実践的な洞察を提供し、既存の課題を強調し、この急速に発展する分野における将来の研究の方向性を概説する。

関連論文リスト

• TestAgent: An Adaptive and Intelligent Expert for Human Assessment [62.060118490577366]
  対話型エンゲージメントによる適応テストを強化するために,大規模言語モデル(LLM)を利用したエージェントであるTestAgentを提案する。 TestAgentは、パーソナライズされた質問の選択をサポートし、テストテイカーの応答と異常をキャプチャし、動的で対話的なインタラクションを通じて正確な結果を提供する。
  論文  参考訳（メタデータ） (2025-06-03T16:07:54Z)
• Beyond the Destination: A Novel Benchmark for Exploration-Aware Embodied Question Answering [87.76784654371312]
  Embodied Question Answeringでは、エージェントが動的に3D環境を探索し、視覚情報を積極的に収集し、質問に答えるために多段階の推論を行う必要がある。 既存のデータセットはしばしばバイアスや事前の知識を導入し、非身体的推論につながる。 探索能力と推論能力の両方を評価するために特別に設計された最大のデータセットを構築します。
  論文  参考訳（メタデータ） (2025-03-14T06:29:47Z)
• Fine-grained Testing for Autonomous Driving Software: a Study on Autoware with LLM-driven Unit Testing [12.067489008051208]
  本稿では、自律運転システム(ADS)ソースコードに対するテスト、特に単体テストに関する最初の研究について述べる。 大型言語モデル(LLM)による人書きテストケースと生成事例の両方を解析する。 AwTest-LLMは,テストカバレッジを向上し,テストケースパス率をAutowareパッケージ間で改善するための新しいアプローチである。
  論文  参考訳（メタデータ） (2025-01-16T22:36:00Z)
• SoK: On Closing the Applicability Gap in Automated Vulnerability Detection [0.18846515534317265]
  自動脆弱性検出(AVD)は、脆弱性を特定するためにソースコードを自律的に解析することを目的としている。 現在のAVD研究はコアコンポーネントにまたがってどのように分散されているのか、将来の研究対象はソフトウェア開発全体を通してのAVDの実践的適用性のギャップを埋めるための重要な領域であるべきなのか、という2つの主要な研究課題に対処する。 タスクの定式化と粒度,入力プログラム言語と表現,検出アプローチとキーソリューション,評価指標とデータセット,報告パフォーマンスの5つのコアコンポーネントを対象に,79以上のAVD記事と17の実証的研究を体系化する。
  論文  参考訳（メタデータ） (2024-12-15T14:01:41Z)
• AI-Compass: A Comprehensive and Effective Multi-module Testing Tool for AI Systems [26.605694684145313]
  本研究では,AIシステムを包括的かつ効果的に評価するテストツール,ツールを設計,実装する。 このツールは、敵の堅牢性、モデル解釈可能性、およびニューロン分析を広範囲に評価する。 私たちの研究は、ランドスケープをテストするAIシステムの一般的なソリューションに光を当てています。
  論文  参考訳（メタデータ） (2024-11-09T11:15:17Z)
• Testing autonomous vehicles and AI: perspectives and challenges from cybersecurity, transparency, robustness and fairness [53.91018508439669]
  この研究は、人工知能を自律走行車(AV)に統合する複雑さを探求する AIコンポーネントがもたらした課題と、テスト手順への影響を調べます。 本稿は、重要な課題を特定し、AV技術におけるAIの研究・開発に向けた今後の方向性を提案する。
  論文  参考訳（メタデータ） (2024-02-21T08:29:42Z)
• Exploring linguistic feature and model combination for speech recognition based automatic AD detection [61.91708957996086]
  音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。 専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。 本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
  論文  参考訳（メタデータ） (2022-06-28T05:09:01Z)
• Perspective, Survey and Trends: Public Driving Datasets and Toolsets for Autonomous Driving Virtual Test [4.2628421392139]
  本論文では,最初に自律走行テストのためのSLR(Systematic Literature Review)アプローチを提案し,2000年から2020年までの既存の公開データセットとツールセットの概要を示す。 SLAベースの調査アプローチを使用して、データセットとツールセットの両方に関する最近の経験的な調査を初めて実施しました。
  論文  参考訳（メタデータ） (2021-04-01T06:17:01Z)

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。