論文の概要: Towards Safety-Aware Mutation Testing for Autonomous Driving Systems

• arxiv url: http://arxiv.org/abs/2606.26456v1
• Date: Wed, 24 Jun 2026 23:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.112918
• Title: Towards Safety-Aware Mutation Testing for Autonomous Driving Systems
• Title（参考訳）: 自律運転システムの安全性を考慮したミューテーションテストに向けて
• Authors: Donghwan Shin,
• Abstract要約: SAMT(Safety-Aware Mutation Testing)へのパラダイムシフトを提案する。 従来の突然変異検査とは異なり、SAMTはADSモジュール間で交換されたメッセージに時間的に拘束された障害を系統的に注入する。 システム思考を突然変異テストパイプラインに埋め込むことで、SAMTはテストの妥当性を評価するための厳格なメカニズムを提供する。
• 参考スコア（独自算出の注目度）: 1.6701418720881545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based testing is essential for ensuring the safety of Autonomous Driving Systems (ADS), yet the community lacks a systematic criterion for determining when we can safely stop additional test scenario generation. Existing coverage metrics typically focus on individual component reliability or treat the ADS as a black box, failing to capture certain component interactions that cause most ADS accidents. While traditional mutation testing provides a falsifiable measure of test adequacy, directly porting code- and deep learning model-level mutations to the corresponding modules of ADS is insufficient. In this vision paper, we propose a paradigm shift toward Safety-Aware Mutation Testing (SAMT). Unlike traditional mutation testing, which creates mutants (i.e., faulty versions of the software under test) by injecting artificial faults into individual components, SAMT systematically injects temporally bounded faults into the messages exchanged between ADS modules to simulate realistic interaction failures. To ensure these mutants represent genuine hazards, we propose deriving mutant generation rules directly from top-down safety engineering frameworks, such as System-Theoretic Process Analysis (STPA). By embedding systems thinking into the mutation testing pipeline, SAMT provides a rigorous mechanism for evaluating test adequacy, enabling automated scenario generation, and guiding ADS repair. We also outline critical open challenges.
• Abstract（参考訳）: シミュレーションベースのテストは、自律運転システム(ADS)の安全性を保証するために不可欠である。 既存のカバレッジメトリクスは、通常、個々のコンポーネントの信頼性に焦点を当てたり、ADSをブラックボックスとして扱う。 従来の突然変異テストは、テストの正確さの偽りの尺度を提供するが、コードとディープラーニングモデルレベルの変異を直接ADSの対応するモジュールに移植することは不十分である。 本稿では,SAMT(Safety-Aware Mutation Testing)へのパラダイムシフトを提案する。 個々のコンポーネントに人工的な欠陥を注入することで、突然変異体(すなわち、テスト中のソフトウェアの欠陥バージョン)を生成する従来の突然変異検査とは異なり、SAMTは、ADSモジュール間で交換されたメッセージに時間的に制限された欠陥を体系的に注入し、現実的な相互作用の失敗をシミュレートする。 そこで本研究では,システム理論プロセス分析(STPA)などのトップダウン安全工学フレームワークから直接,変異生成規則を導出することを提案する。 システム思考を突然変異テストパイプラインに埋め込むことで、SAMTはテスト精度を評価し、自動シナリオ生成を可能にし、ADS修復を導くための厳格なメカニズムを提供する。 オープンな重要な課題についても概説する。

関連論文リスト

• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• D-REX: A Benchmark for Detecting Deceptive Reasoning in Large Language Models [62.83226685925107]
  Deceptive Reasoning Exposure Suite (D-REX)は、モデルの内部推論プロセスと最終的な出力との相違を評価するために設計された、新しいデータセットである。 D-REXの各サンプルには、敵システムプロンプト、エンドユーザーのテストクエリ、モデルの一見無害な応答、そして重要なことに、モデルの内部チェーンが含まれている。 我々は、D-REXが既存のモデルと安全メカニズムに重大な課題をもたらすことを実証した。
  論文  参考訳（メタデータ） (2025-09-22T15:59:40Z)
• AI-Augmented Metamorphic Testing for Comprehensive Validation of Autonomous Vehicles [7.237068561453082]
  自動運転車は交通機関に革命をもたらす可能性があるが、安全を確保することは大きな課題だ。 従来のテスト手法では、システムの振る舞いが正しいかどうかを判断するオラクルの問題を含む、重要な制限に直面している。 我々は、安定拡散のようなAI駆動画像生成ツールを統合することで、メタモルフィックテスト(MT)を強化することを提案する。
  論文  参考訳（メタデータ） (2025-02-16T23:31:59Z)
• Using Cooperative Co-evolutionary Search to Generate Metamorphic Test Cases for Autonomous Driving Systems [7.519606883700972]
  本稿では,自律運転システム(ADS)のシステムレベルの安全性評価を進めることを目的とした,新しい自動テストフレームワークCoCoMEGAを紹介する。 CoCoMEGAは、望ましくないシステム動作を示すテストシナリオの識別を強調し、最終的には、メタモルフィックリレーショナル(MR)によって取得される安全違反につながる可能性がある。 将来の研究の方向性には、さらなるシミュレーションプラットフォームへのアプローチの拡張、他の複雑なシステムに適用すること、サロゲートモデリングのようなテスト効率をさらに改善するための方法を模索することが含まれる。
  論文  参考訳（メタデータ） (2024-12-05T03:17:31Z)
• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• 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)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

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。