論文の概要: Robotic-supported Data Loss Detection in Android Applications
- arxiv url: http://arxiv.org/abs/2610.20807v1
- Date: Wed, 14 Oct 2026 18:55:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.02563
- Title: Robotic-supported Data Loss Detection in Android Applications
- Title（参考訳）: Androidアプリケーションにおけるロボット支援型データ損失検出
- Abstract要約: R-DLD(Robotic- supporteded Data Loss Detection)は,Androidアプリケーションにおけるデータ損失検出のためのロボット支援インフラストラクチャである。
R-DLDは、Androidストアからランダムに選択された77のアプリにおいて、341のデータ損失問題を特定した。
- 参考スコア（独自算出の注目度）: 0.5716454975957338
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Smartphones have become integral to modern life due to their diverse applications. However, the development of applications for these devices faces significant challenges, primarily due to two factors: (i) the diverse hardware and operating system versions that require testing across multiple configurations; and (ii) the imperative activity of testing the smartphone in a non-invasive way (similar to an end-user interaction), which is expensive, tedious and error-prone as it is usually carried out manually. In this context, robotic automation has emerged as an effective solution for addressing the diversity of smartphone systems and versions, and in performing some testing tasks non-invasively. In addition, automated robots facilitate quick, accurate, and repetitive testing, thus enabling developers to validate their applications across various configurations effectively. This results in a less invasive verification and in a significant reduction in time spent on manual testing, thus accelerating the development cycle. Our work proposes R-DLD (Robotic-supported Data Loss Detection), a robot-assisted infrastructure for data loss detection in Android applications, offeringless invasive and more realistic tests by interacting directly with smartphone sensors. The robot is constructed using cost-effective materials, facilitating its adoption in testing environments. In our empirical evaluation R-DLD successfully identified 341 data loss issues in 77 randomly selected apps from an Android store. All reported bugs received responses from the developer, with 89.55% confirming the data loss problems, while 35.82% have being subsequently fixed.
- Abstract（参考訳）: スマートフォンは多様な用途のために現代生活に不可欠なものになっている。
しかし、これらのデバイス向けのアプリケーションの開発は、主に2つの要因により、重大な課題に直面している。
(i)複数の構成をまたいだテストを必要とする多様なハードウェアおよびオペレーティングシステムのバージョン、及び
二 スマートフォンを非侵襲的(エンドユーザー間相互作用に類似)にテストすることの命令的活動は、通常手動で行うため、高価で退屈でエラーを起こしやすい。
このような状況下では、ロボット自動化は、スマートフォンシステムやバージョンの多様性に対処し、非侵襲的にいくつかのテストタスクを実行するための効果的なソリューションとして現れてきた。
さらに、自動化されたロボットは、迅速で正確で反復的なテストを容易にするため、開発者は様々な構成でアプリケーションを効果的に検証できる。
これにより、侵襲的な検証がより少なくなり、手動テストに費やす時間が大幅に削減され、開発サイクルが加速する。
R-DLD(Robotic- supporteded Data Loss Detection, ロボット支援データ損失検出)は、Androidアプリケーションにおけるデータ損失検出のための、ロボット支援のインフラであり、スマートフォンのセンサーと直接対話することによって、非侵襲的で現実的なテストを提供する。
このロボットはコスト効率の良い材料を使って構築され、テスト環境への導入を促進する。
R-DLDは,Androidストアからランダムに選抜された77のアプリにおいて,341件のデータ損失問題を特定した。
報告されたすべてのバグは開発者から応答を受け、89.55%がデータ損失の問題を確認し、35.82%が修正されている。
関連論文リスト
- RoboVAD: A Large Cross-Domain Evaluation Benchmark for Anomaly Detection in Robotic Arm Manipulation Videos [60.00002556483565]
ビデオ異常検出(VAD)は、公共の監視や道路交通安全といった典型的なシナリオに広く応用される、活発に研究されている課題である。
本稿ではロボットアーム操作ビデオにおけるビデオ異常検出のための大規模ベンチマークであるRoboVADを紹介する。
我々は、ロボットアーム操作に特化して適応した新しい手法を含む、最先端のVAD手法を訓練し、評価する。
論文 参考訳（メタデータ） (2026-09-15T21:02:38Z) - Fail-RAG : A Retrieval Augmented Generation Informed Framework for Robot Failure Identification [8.8407924555623]
Fail-RAGはRetrieval Augmented Generation (RAG)ベースの障害検出フレームワークである。
Fail-RAGは5種類のロボットで平均25パーセント高い障害検出精度を達成した。
論文 参考訳（メタデータ） (2026-06-17T21:02:47Z) - Guardian: Detecting Robotic Planning and Execution Errors with Vision-Language Models [53.20969621498248]
本稿では,多種多様な計画および実行障害を生成するために,軌道を手続き的に乱す自動ロボット故障合成手法を提案する。
RLBench-Fail, BridgeDataV2-Fail, UR5-Failの3つの新しい故障検出ベンチマークを構築した。
次に、詳細な障害推論と検出のためのマルチビューイメージを備えたVLMであるGuardianをトレーニングします。
論文 参考訳（メタデータ） (2025-12-01T17:57:27Z) - Tiny Robotics Dataset and Benchmark for Continual Object Detection [6.4036245876073234]
小型ロボットプラットフォームにおける物体検出システムの連続学習能力を評価するための新しいベンチマークを提案する。
この結果は,小型ロボットにおける物体検出のための堅牢で効率的な連続学習戦略を開発する上での課題を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-09-24T16:21:27Z) - SUPERNOVA: Automating Test Selection and Defect Prevention in AAA Video
Games Using Risk Based Testing and Machine Learning [62.997667081978825]
従来の手法では、成長するソフトウェアシステムではスケールできないため、ビデオゲームのテストはますます難しいタスクになります。
自動化ハブとして機能しながら,テスト選択と欠陥防止を行うシステム SUPERNOVA を提案する。
この直接的な影響は、未公表のスポーツゲームタイトルの55%以上のテスト時間を減らすことが観察されている。
論文 参考訳（メタデータ） (2022-03-10T00:47:46Z) - Cross-Modal Analysis of Human Detection for Robotics: An Industrial Case
Study [7.844709223688293]
ロボット工学で典型的に使用されるセンサとアルゴリズムの組み合わせの系統的相互モーダル分析を行う。
2Dレンジデータ,3Dライダーデータ,RGB-Dデータに対する最先端人検知器の性能の比較を行った。
我々は、強力な画像ベースRGB-D検出器を拡張し、弱い3次元境界ボックスラベルの形でライダー検出器の相互監視を行う。
論文 参考訳（メタデータ） (2021-08-03T13:33:37Z) - Domain and Modality Gaps for LiDAR-based Person Detection on Mobile
Robots [91.01747068273666]
本稿では,移動ロボットのシナリオに着目した既存のLiDAR人物検出装置について検討する。
実験は3Dと2D LiDARのセンサー間のモダリティのギャップだけでなく、運転と移動ロボットのシナリオ間の領域ギャップを回避している。
その結果、LiDARに基づく人物検出の実践的な洞察を与え、関連する移動ロボットの設計と応用に関する情報決定を容易にする。
論文 参考訳（メタデータ） (2021-06-21T16:35:49Z) - Learning the Noise of Failure: Intelligent System Tests for Robots [1.713291434132985]
ロボットの自動システムテストにおける故障検出のためのシミュレーションノイズ推定を提案する。
この技術は、人間が成功や失敗を評価することなく、実世界の自動テストを強化することができる。
論文 参考訳（メタデータ） (2021-02-16T11:06:45Z) - AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset [80.6725125503521]
本報告では,UR3eシリーズロボットとOnRobot Screwdriverを用いて作成したデータセットについて述べる。
その結果得られたデータは、正常および異常なロボット動作の2042のサンプルを含んでいる。
このデータを使用した短いMLベンチマークも提供されており、さらなる分析と実験のためのデータの適合性と可能性を示している。
論文 参考訳（メタデータ） (2021-02-02T09:59:23Z)
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。