論文の概要: RISC-V Functional Safety for Autonomous Automotive Systems: An Analytical Framework and Research Roadmap for ML-Assisted Certification

• arxiv url: http://arxiv.org/abs/2604.17391v1
• Date: Sun, 19 Apr 2026 11:39:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.501503
• Title: RISC-V Functional Safety for Autonomous Automotive Systems: An Analytical Framework and Research Roadmap for ML-Assisted Certification
• Title（参考訳）: 自律走行システムのためのRISC-V機能安全:ML支援認定のための分析フレームワークと研究ロードマップ
• Authors: Nick Andreasyan, Mikhail Struve, Alexey Popov, Maksim Nikolaev, Vadim Vashkelis,
• Abstract要約: RISC-Vは、自動車グレードの組み込みコンピューティングのプラットフォームとして発展しつつある。 最近のISO 26262 ASIL-D認証は、自律運転システムにおける安全クリティカルな展開の準備ができていることを示している。 本稿では,自動車機能安全におけるRISC-Vの役割を分析する。
• 参考スコア（独自算出の注目度）: 0.08699280339422537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: RISC-V is emerging as a viable platform for automotive-grade embedded computing, with recent ISO 26262 ASIL-D certifications demonstrating readiness for safety-critical deployment in autonomous driving systems. However, functional safety in automotive systems is fundamentally a certification problem rather than a processor problem. The dominant costs arise from diagnostic coverage analysis, toolchain qualification, fault injection campaigns, safety-case generation, and compliance with ISO 26262, ISO 21448 (SOTIF), and ISO/SAE 21434. This paper analyzes the role of RISC-V in automotive functional safety, focusing on ISA openness, formal verifiability, custom extension control, debug transparency, and vendor-independent qualification. We examine autonomous driving safety requirements and map them to RISC-V architectural challenges such as lockstep execution, safety islands, mixed-criticality isolation, and secure debug. Rather than proposing a single algorithmic breakthrough, we present an analytical framework and research roadmap centered on certification economics as the primary optimization objective. We also discuss how selected ML methods, including LLM-assisted FMEDA generation, knowledge-graph-based safety case automation, reinforcement learning for fault injection, and graph neural networks for diagnostic coverage, can support certification workflows. We argue that the strongest outcome is not a faster core, but an ASIL-D-ready certifiable RISC-V platform.
• Abstract（参考訳）: RISC-Vは、自動車グレードの組込みコンピューティングのための実行可能なプラットフォームとして登場しており、最近のISO 26262 ASIL-D認証は、自律運転システムにおける安全クリティカルなデプロイメントの準備ができていることを示している。 しかし、自動車システムの機能安全性は基本的にプロセッサの問題ではなく認証の問題である。 主なコストは、診断カバレッジ分析、ツールチェーンの資格、障害注入キャンペーン、安全ケース生成、ISO 26262、ISO 21448(SOTIF)、ISO/SAE 21434への準拠などである。 本稿では、ISAオープン性、形式的妥当性、カスタム拡張制御、デバッグ透明性、ベンダーに依存しない資格に着目し、自動車機能安全におけるRISC-Vの役割を分析する。 自動走行安全要件を検証し、ロックステップの実行、安全島、混合臨界分離、安全なデバッグといったRISC-Vアーキテクチャ上の課題にマップする。 一つのアルゴリズムのブレークスルーを提案するのではなく、認証経済学を主目的とする分析フレームワークと研究ロードマップを提示する。 また,LLMを用いたFMEDA生成,知識グラフに基づく安全ケース自動化,フォールトインジェクションのための強化学習,診断カバレッジのためのグラフニューラルネットワークなど,選択されたML手法が,認定ワークフローをサポートする方法について論じる。 我々は最強の結果は高速コアではなく、ASIL-D対応のRISC-Vプラットフォームであると主張している。

関連論文リスト

• SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
  RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。 しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。 我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
  論文  参考訳（メタデータ） (2026-04-04T04:29:11Z)
• DeepSight: An All-in-One LM Safety Toolkit [49.27916339801296]
  我々は,新たな安全性評価・診断統合パラダイムを実践する,オープンソースのプロジェクトであるDeepSightを提案する。 DeepSightは低コストで再現性があり、効率的で、スケーラブルな大規模モデル安全性評価プロジェクトであり、評価ツールキットDeepSafeと診断ツールキットDeepScanで構成されている。 タスクとデータプロトコルを統一することにより、2つのステージ間の接続を構築し、安全評価をブラックボックスからホワイトボックスのインサイトに変換する。
  論文  参考訳（メタデータ） (2026-02-12T15:43:14Z)
• The Necessity of a Holistic Safety Evaluation Framework for AI-Based Automation Features [0.0]
  運転自動化機能に関する機能的安全性(SOTIF)と機能的安全性(FuSa)の分析は、伝統的に、厳格な安全影響評価から品質管理(QM)コンポーネントを除外してきた。 人工知能(AI)統合の最近の進歩は、そのようなコンポーネントがSOTIF関連の有害リスクに寄与できることを明らかにしている。 本稿では、AIコンポーネントのリスクを特定し軽減するために、包括的FuSa、SOTIF、AI標準駆動手法を採用することを主張する。
  論文  参考訳（メタデータ） (2026-02-05T00:22:24Z)
• Towards Verifiably Safe Tool Use for LLM Agents [53.55621104327779]
  大規模言語モデル(LLM)ベースのAIエージェントは、データソース、API、検索エンジン、コードサンドボックス、さらにはその他のエージェントなどのツールへのアクセスを可能にすることで、機能を拡張する。 LLMは意図しないツールインタラクションを起動し、機密データを漏洩したり、クリティカルレコードを上書きしたりするリスクを発生させる。 モデルベースセーフガードのようなリスクを軽減するための現在のアプローチは、エージェントの信頼性を高めるが、システムの安全性を保証することはできない。
  論文  参考訳（メタデータ） (2026-01-12T21:31:38Z)
• UniSTPA: A Safety Analysis Framework for End-to-End Autonomous Driving [10.063740202765343]
  我々はUnified System Theoretic Process Analysis (UniSTPA)フレームワークを提案する。 UniSTPAはコンポーネントレベルだけでなく、モデルの内部レイヤ内でもハザード分析を行います。 提案手法は,エンド・ツー・エンドの自動運転システムの安全開発と展開のための理論的および実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-05-21T01:23:31Z)
• Approach Towards Semi-Automated Certification for Low Criticality ML-Enabled Airborne Applications [0.0]
  本稿では,低臨界MLシステムを対象とした半自動認証手法を提案する。 主な側面は、システム属性に基づく認証厳格をガイドする構造化分類、評価結果をMLコンポーネントの信頼性測定に集約する保証プロファイル、人間の監視を認証活動に統合するための方法論である。
  論文  参考訳（メタデータ） (2025-01-28T15:49:51Z)
• EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)
• On STPA for Distributed Development of Safe Autonomous Driving: An Interview Study [0.7851536646859475]
  System-Theoretic Process Analysis (STPA)は、防衛や航空宇宙といった安全関連分野に適用される新しい手法である。 STPAは、分散システム開発とマルチアトラクション設計レベルを備えた自動車システム工学において、完全には有効でない前提条件を前提としている。 これは継続的開発とデプロイメントにおける保守性の問題と見なすことができる。
  論文  参考訳（メタデータ） (2024-03-14T15:56:02Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• Simulation-based Safety Assurance for an AVP System incorporating Learning-Enabled Components [0.6526824510982802]
  テスト、検証、検証 AD/ADASセーフティクリティカルなアプリケーションが大きな課題のひとつとして残っています。 安全クリティカルな学習可能システムの検証と検証を目的としたシミュレーションベースの開発プラットフォームについて説明する。
  論文  参考訳（メタデータ） (2023-09-28T09:00:31Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)

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。