論文の概要: UAMTERS: Uncertainty-Aware Mutation Analysis for DL-enabled Robotic Software

• arxiv url: http://arxiv.org/abs/2602.20334v1
• Date: Mon, 23 Feb 2026 20:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.522014
• Title: UAMTERS: Uncertainty-Aware Mutation Analysis for DL-enabled Robotic Software
• Title（参考訳）: UAMTERS:DL対応ロボットソフトウェアの不確実性認識変異解析
• Authors: Chengjie Lu, Jiahui Wu, Shaukat Ali, Malaika Din Hashmi, Sebastian Mathias Thomle Mason, Francois Picard, Mikkel Labori Olsen, Thomas Peyrucain,
• Abstract要約: 自己適応型ロボットは予測不可能な環境変化に応じて行動を調整する。 これらのロボットは、認識、意思決定、制御、自律性の向上、自己適応性といった機能をサポートするために、ディープラーニング(DL)コンポーネントをソフトウェアに組み込むことが多い。 ロボットソフトウェアをテストするためにテスト生成技術が開発され、古典的な突然変異解析によってソフトウェアに欠陥を注入し、結果の失敗を検出するテストスイートの有効性を評価する。 DL対応ロボットソフトウェアに不確かさを注入し,不確かさをシミュレートする不確実性対応突然変異解析フレームワークUAMTERSを提案する。
• 参考スコア（独自算出の注目度）: 6.23682360709078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-adaptive robots adjust their behaviors in response to unpredictable environmental changes. These robots often incorporate deep learning (DL) components into their software to support functionality such as perception, decision-making, and control, enhancing autonomy and self-adaptability. However, the inherent uncertainty of DL-enabled software makes it challenging to ensure its dependability in dynamic environments. Consequently, test generation techniques have been developed to test robot software, and classical mutation analysis injects faults into the software to assess the test suite's effectiveness in detecting the resulting failures. However, there is a lack of mutation analysis techniques to assess the effectiveness under the uncertainty inherent to DL-enabled software. To this end, we propose UAMTERS, an uncertainty-aware mutation analysis framework that introduces uncertainty-aware mutation operators to explicitly inject stochastic uncertainty into DL-enabled robotic software, simulating uncertainty in its behavior. We further propose mutation score metrics to quantify a test suite's ability to detect failures under varying levels of uncertainty. We evaluate UAMTERS across three robotic case studies, demonstrating that UAMTERS more effectively distinguishes test suite quality and captures uncertainty-induced failures in DL-enabled software.
• Abstract（参考訳）: 自己適応型ロボットは予測不可能な環境変化に応じて行動を調整する。 これらのロボットは、認識、意思決定、制御、自律性の向上、自己適応性といった機能をサポートするために、ディープラーニング(DL)コンポーネントをソフトウェアに組み込むことが多い。 しかし、DL対応ソフトウェアの本質的な不確実性は、動的環境における信頼性を確保することを困難にしている。 その結果、ロボットソフトウェアをテストするテスト生成技術が開発され、古典的な突然変異解析によってソフトウェアに欠陥を注入し、結果の失敗を検出するテストスイートの有効性を評価する。 しかし、DL対応ソフトウェアに固有の不確実性の下での有効性を評価するための突然変異解析手法が欠如している。 そこで本研究では,不確実性を考慮した突然変異解析フレームワークであるUAMTERSを提案する。 さらに,不確実性のレベルが異なる場合に故障を検出するテストスイートの能力を定量化するために,突然変異スコアメトリクスを提案する。 UAMTERSを3つのロボットケーススタディで評価し、UAMTERSがテストスイートの品質をより効果的に区別し、DL対応ソフトウェアにおける不確実性による障害を捉えることを示した。

関連論文リスト

• Approaches to Analysis and Design of AI-Based Autonomous Vehicles [12.672967565682724]
  AIベースのフィードバックを通じてループを閉じると、自律運転の信頼性に重大なリスクが生じる可能性がある。 本稿では,AIに基づくAVクラスのためのモデリング,解析,合成のためのツールを開発することを目的とする。
  論文  参考訳（メタデータ） (2025-09-15T17:32:29Z)
• Identifying Uncertainty in Self-Adaptive Robotics with Large Language Models [2.8804715302454]
  我々は,大規模言語モデル(LLM)が自己適応型ロボット工学における不確実性を特定するための体系的なアプローチを可能にする可能性を評価する。 産業用ロボットのケーススタディにおいて,10種類の高度なLCMを多種多様な能力で分析した。 その結果, LLMの回答の63～88%と一致し, LLMの実用性への強い関心を示した。
  論文  参考訳（メタデータ） (2025-04-29T12:07:39Z)
• The Future of Software Testing: AI-Powered Test Case Generation and Validation [0.0]
  本稿では、テストケースの生成と検証を改善する上で、AIが持つ変革の可能性について考察する。 テストプロセスの効率性、正確性、スケーラビリティを高める能力に重点を置いている。 また、高品質なトレーニングデータの必要性など、テストにAIを適用する際の重要な課題にも対処している。
  論文  参考訳（メタデータ） (2024-09-09T17:12:40Z)
• On the Vulnerability of LLM/VLM-Controlled Robotics [54.57914943017522]
  大規模言語モデル(LLM)と視覚言語モデル(VLM)を統合するロボットシステムの脆弱性を,入力モダリティの感度によって強調する。 LLM/VLM制御型2つのロボットシステムにおいて,単純な入力摂動がタスク実行の成功率を22.2%,14.6%減少させることを示す。
  論文  参考訳（メタデータ） (2024-02-15T22:01:45Z)
• 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)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Uncertainty-Driven Action Quality Assessment [11.958132175629368]
  本稿では,複数の判定スコアの多様性を捉えるために,不確実性駆動型AQA (UD-AQA) という新しい確率モデルを提案する。 我々は,AQA回帰損失の再重み付けに使用される各予測の不確かさを推定する。 提案手法は,オリンピックイベントMTL-AQAとFineDivingの3つのベンチマークと,手術スキルJIGSAWSデータセットの3つのベンチマークで比較結果を得た。
  論文  参考訳（メタデータ） (2022-07-29T07:21:15Z)
• Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
  本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。 不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。 本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
  論文  参考訳（メタデータ） (2022-02-25T12:20:04Z)
• DeepMetis: Augmenting a Deep Learning Test Set to Increase its Mutation Score [4.444652484439581]
  ツールは与えられたテストセットを増強し、ミュータントを平均で63%検出する能力を高めるのに効果的である。 アウトアウト実験では、強化されたテストセットが目に見えないミュータントを露出できることを示している。
  論文  参考訳（メタデータ） (2021-09-15T18:20:50Z)

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。