論文の概要: Req2Road: A GenAI Pipeline for SDV Test Artifact Generation and On-Vehicle Execution
- arxiv url: http://arxiv.org/abs/2602.15591v1
- Date: Tue, 17 Feb 2026 14:03:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-18 16:03:18.083545
- Title: Req2Road: A GenAI Pipeline for SDV Test Artifact Generation and On-Vehicle Execution
- Title（参考訳）: Req2Road: SDVテストアーチファクト生成と車載実行のためのGenAIパイプライン
- Authors: Denesa Zyberaj, Lukasz Mazur, Pascal Hirmer, Nenad Petrovic, Marco Aiello, Alois Knoll,
- Abstract要約: 大規模言語モデルと視覚言語モデルは、信号と行動論理を抽出するために使用される。
パイプラインは検索拡張生成を使用して、マッピング前に候補VSS信号をプリセレクトする。
本稿では,SDVサブシステムのためのエンドツーエンド要求-テストパイプラインの実現可能性とアーキテクチャ実証について述べる。
- 参考スコア（独自算出の注目度）: 24.305511228249486
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Testing functionality in Software-Defined Vehicles is challenging because requirements are written in natural language, specifications combine text, tables, and diagrams, while test assets are scattered across heterogeneous toolchains. Large Language Models and Vision-Language Models are used to extract signals and behavioral logic to automatically generate Gherkin scenarios, which are then converted into runnable test scripts. The Vehicle Signal Specification (VSS) integration standardizes signal references, supporting portability across subsystems and test benches. The pipeline uses retrieval-augmented generation to preselect candidate VSS signals before mapping. We evaluate the approach on the safety-relevant Child Presence Detection System, executing the generated tests in a virtual environment and on an actual vehicle. Our evaluation covers Gherkin validity, VSS mapping quality, and end-to-end executability. Results show that 32 of 36 requirements (89\%) can be transformed into executable scenarios in our setting, while human review and targeted substitutions remain necessary. This paper is a feasibility and architectural demonstration of an end-to-end requirements-to-test pipeline for SDV subsystems, evaluated on a CPDS case in simulation and Vehicle-in-the-Loop settings.
- Abstract（参考訳）: 要件は自然言語で書かれており、仕様はテキスト、テーブル、ダイアグラムを組み合わせていますが、テスト資産は異種ツールチェーンに分散しています。
大規模言語モデルと視覚言語モデルを使用して信号と振る舞いロジックを抽出し、Gherkinシナリオを自動的に生成し、実行可能なテストスクリプトに変換する。
Vehicle Signal Specification (VSS)統合は、信号参照を標準化し、サブシステムとテストベンチ間のポータビリティをサポートする。
パイプラインは検索拡張生成を使用して、マッピング前に候補VSS信号をプリセレクトする。
本研究は,仮想環境および実車上で生成したテストを実行する安全関連児童プレゼンス検出システムに対するアプローチを評価する。
評価では,Gherkinの有効性,VSSマッピングの品質,エンドツーエンドの実行可能性について検討した。
結果から,36項目中32項目 (89 %) を本設定で実行可能なシナリオに変換できることがわかった。
本稿では,SDVサブシステムのエンドツーエンド要求-テストパイプラインの実現可能性とアーキテクチャ実証を行い,シミュレーションとVaby-in-the-Loop設定においてCPDSのケースで評価した。
関連論文リスト
- GenAI-based test case generation and execution in SDV platform [21.748869011323134]
本稿では,GenAIによる自動テストケース生成手法を提案する。
我々はLarge Language ModelsとVision-Language Modelsを利用して、自然言語の要件とシステム図を構造化されたGherkinテストケースに変換する。
この手法は車両信号仕様モデリングを統合し、車両信号定義を標準化する。
論文 参考訳（メタデータ） (2025-09-05T13:50:26Z) - Methodology for Test Case Allocation based on a Formalized ODD [0.4349640169711269]
本稿では,既存のオペレーショナル・デザイン・ドメイン(ODD)の形式化を図解し,拡張することにより,様々なテスト環境に対するテストケース割り当ての適合性を評価する手法を提案する。
結果として生成されたコンストラクトは、ODDパラメータと追加のテスト属性を統合して、所定のテスト環境に関連する機能をキャプチャする。
論文 参考訳（メタデータ） (2025-09-02T13:33:24Z) - Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。
その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。
本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
論文 参考訳（メタデータ） (2025-08-28T13:00:28Z) - Text2Scenario: Text-Driven Scenario Generation for Autonomous Driving Test [15.601818101020996]
Text2Scenarioは、ユーザー仕様と密接に一致したシミュレーションテストシナリオを自律的に生成するフレームワークである。
結果は、手動のシナリオ構成に必要な労力を伴わない、多様なADスタックの効率的かつ正確な評価である。
論文 参考訳（メタデータ） (2025-03-04T07:20:25Z) - RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios [58.62407014256686]
RealGenは、トラフィックシナリオ生成のための新しい検索ベースのコンテキスト内学習フレームワークである。
RealGenは、複数の検索されたサンプルの振る舞いを勾配のない方法で組み合わせることで、新しいシナリオを合成する。
このコンテキスト内学習フレームワークは、シナリオを編集する機能を含む多種多様な生成機能を提供する。
論文 参考訳（メタデータ） (2023-12-19T23:11:06Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - 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) - Identifying and Explaining Safety-critical Scenarios for Autonomous
Vehicles via Key Features [5.634825161148484]
本稿では,AVの安全でない動作を明らかにする能力に影響を及ぼすテストシナリオの重要な特徴を特定するために,ISA(インスタンス空間解析)を用いる。
ISAは、安全クリティカルなシナリオと通常の運転とを最も区別する機能を特定し、2Dのテストシナリオ結果(セーフ/アンセーフ)への影響を可視化する。
特定された機能の予測能力をテストするために、5つの機械学習分類器をトレーニングし、テストシナリオを安全または安全でないものとして分類する。
論文 参考訳（メタデータ） (2022-12-15T00:52:47Z) - Addressing the IEEE AV Test Challenge with Scenic and VerifAI [10.221093591444731]
本稿では,IEEE AVテストチャレンジのシミュレーションにおいて,自律走行車(AV)のテストに対する我々の公式なアプローチを要約する。
我々は,知的サイバー物理システムのための形式駆動型シミュレーションに関するこれまでの研究を生かした,系統的なテストフレームワークを実証する。
論文 参考訳（メタデータ） (2021-08-20T04:51:27Z) - Generating and Characterizing Scenarios for Safety Testing of Autonomous
Vehicles [86.9067793493874]
最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。
次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。
事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
論文 参考訳（メタデータ） (2021-03-12T17:00:23Z)
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。