論文の概要: Mission (Im)Possible: Towards Autonomous Discovery of Autopilot Logic Flaws in Open-Source Drone Frameworks

• arxiv url: http://arxiv.org/abs/2610.19566v1
• Date: Wed, 14 Oct 2026 04:30:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.960096
• Title: Mission (Im)Possible: Towards Autonomous Discovery of Autopilot Logic Flaws in Open-Source Drone Frameworks
• Title（参考訳）: Mission (Im)Possible: オープンソースのドローンフレームワークにおけるオートパイロットロジック欠陥の自動発見を目指して
• Abstract要約: 静的解析,動的実行,ログ解析を組み合わせたマルチエージェントシステムであるImpossible Mission Finder(IMF)を提案する。 IMFは、自動運転車の論理的欠陥を完全自動化し、テストし、検証する。 我々はIMFをPX4とArdupilotの2つの広く使われているオープンソースオートパイロットシステムで評価した。
• 参考スコア（独自算出の注目度）: 16.975459316882255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous drones are increasingly deployed in safety-critical tasks, yet their autopilot software can still contain subtle logic flaws that lead to unsafe behaviors. These flaws are difficult to discover with existing techniques because they often depend on semantic relationships across modules, commands, and runtime state, and rarely manifest as crashes or detectable failures. With recent advances in LLMs, we observe that, when equipped with essential domain knowledge and carefully crafted context, LLMs demonstrate strong capabilities in understanding the high-level semantics of autopilot systems, making them suitable for logic flaw discovery. However, LLMs are limited by their context and can be biased to the vulnerabilities frequently occurs in training dataset, while logic flaws often require higher-level semantic bug oracles to identify their existence. To bridge the gap, we present Impossible Mission Finder (IMF), a multi-agent system combining static analysis, dynamic execution and log analysis, that supports fully automated identify, test, and validate logic flaws in autonomous vehicles. IMF primarily contains three LLM agents, it first uses the auditor agent to propose logic flaw hypothesis based on carefully-crafted program slicing, then it launches tester agents to write and execute test cases for each candidate, and finally it spawns the log analyzer agent to validate the execution log against the flaw hypothesis. This enables IMF dynamically validate bug oracles in a case-by-case manner, making it suitable for discovering logic flaws that do not have a unified pattern. We evaluated IMF on two widely used open-source autopilot systems, PX4 and Ardupilot, leading to 105 previously unknown logic flaws, that can cause unsafe behaviors including mission interruption failures, invalid actions, entering into restricted fly zones etc.
• Abstract（参考訳）: 自律ドローンはますます安全クリティカルなタスクに配備されているが、同社の自動操縦ソフトウェアには、安全でない振る舞いにつながる微妙なロジック欠陥が含まれている。 これらの欠陥は、しばしばモジュール、コマンド、ランタイム状態間のセマンティックな関係に依存しており、クラッシュや検出可能な障害として現れることは滅多にないため、既存のテクニックで発見することは困難である。 LLMの最近の進歩により、本質的なドメイン知識と慎重に構築されたコンテキストを備えると、LLMはオートパイロットシステムの高レベルなセマンティクスを理解する強力な能力を示し、論理的欠陥発見に適していることが観察された。 しかし、LLMは文脈によって制限されており、トレーニングデータセットで頻繁に発生する脆弱性に偏りがある。 このギャップを埋めるために,静的解析,動的実行,ログ解析を組み合わせたマルチエージェントシステムであるImpossible Mission Finder(IMF)を提案する。 IMFは3つのLLMエージェントを主に含み、まず監査エージェントを使用して、慎重に構築されたプログラムスライシングに基づいてロジック欠陥仮説を提案し、次に各候補のテストケースを書いて実行するためのテスターエージェントを起動し、最後にログアナライザエージェントを生成して、欠陥仮説に対する実行ログを検証する。 これによりIMFはケース・バイ・ケースでバグ・オラクルを動的に検証し、統一されたパターンを持たない論理的欠陥を発見するのに適している。 IMF は PX4 と Ardupilot という2つのオープンソースの自動操縦システムを用いて評価し,これまで知られていなかった105 個の論理的欠陥を生じさせ,ミッションの中断,無効な動作,制限されたフライゾーンへの侵入などの安全でない行動を引き起こす可能性がある。

関連論文リスト

• CyberLLM: A Multi-Agent LLM Framework for Autonomous Detection and Guarded Response in Automotive Cybersecurity [22.68559728326395]
  CyberLLMは、脆弱性を自律的に検出し、正式なランタイム安全ガードの下で修正を実行するフレームワークである。 決定エージェントは発見を集約し、人間中心のアセット分類でタグ付けし、タイレッド応答を選択する。 対称攻撃パイプラインはエクスプロイトを生成し再生し、両方のサイドを同じシナリオで実行することができる。
  論文  参考訳（メタデータ） (2026-08-06T23:39:13Z)
• Hierarchical Fault Localization for Autonomous Driving Systems with Hypothesis Validation and Intent Analysis [14.387618464803774]
  本稿では,仮説検証と意図解析に基づく階層型ADS断層定位のための2段階フレームワークHINTを提案する。 フェーズ1では、HINTは障害トリガ実行レコードをマルチモーダル抽象化に変換する。 フェーズIIでは、設計側の意図と実装側の振る舞いを再構築し、信頼性を意識した整合性チェックを通じて不審なコードをローカライズする。
  論文  参考訳（メタデータ） (2026-07-14T10:17:01Z)
• OpenAnt: LLM-Powered Vulnerability Discovery Through Code Decomposition, Adversarial Verification, and Dynamic Testing [0.0]
  本稿では,オープンソースの脆弱性発見システムOpenAntを紹介する。 静的プログラム解析とLLMベースの推論を多段階パイプラインに統合する。 OpenAntはApache 2.0ライセンスの下でオープンソースとしてリリースされた。
  論文  参考訳（メタデータ） (2026-06-17T14:56:04Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• InspectCoder: Dynamic Analysis-Enabled Self Repair through interactive LLM-Debugger Collaboration [71.18377595277018]
  大きな言語モデル(LLM)は、診断が難しい複雑なロジックエラーを伴うバグの多いコードを生成することが多い。 対話型デバッガ制御による動的解析を LLM に委ねる初のエージェントプログラム修復システムである InspectCoder を提案する。
  論文  参考訳（メタデータ） (2025-10-21T06:26:29Z)
• Trust Me, I Know This Function: Hijacking LLM Static Analysis using Bias [3.178301843099705]
  大規模言語モデル(LLM)は、自動化されたコードレビューと静的解析を大規模に実行するようにますます信頼されている。 本稿では,LLMに基づくコード解析において重要な脆弱性を特定し,活用する。 我々は、FPA(Familiar Pattern Attack)をターゲットコードに検出し、注入する、完全に自動化されたブラックボックスアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-08-24T13:42:48Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• A Closer Look at the Self-Verification Abilities of Large Language Models in Logical Reasoning [73.77088902676306]
  論理的推論の文脈において,大規模言語モデル(LLM)の自己検証能力について詳しく検討する。 本研究の主目的は,既存のLCMが誤った推論手順を正確に識別するのに苦労し,自己検証法の有効性を保証できないことにある。
  論文  参考訳（メタデータ） (2023-11-14T07:13:10Z)

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。