論文の概要: FaultGene: LLM-Assisted Fault-Augmented Test Generation for Hardware-in-the-Loop Validation of Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2610.29969v1
- Date: Wed, 21 Oct 2026 16:20:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.406432
- Title: FaultGene: LLM-Assisted Fault-Augmented Test Generation for Hardware-in-the-Loop Validation of Autonomous Driving Systems
- Title（参考訳）: フォールトジェネレーション:自律運転システムのハードウェア・イン・ザ・ループ検証のためのLLM支援故障拡張テスト生成
- Abstract要約: ハードウェア・イン・ザ・ループ(HIL)検証は、シミュレーション環境で実際の組み込みハードウェア上で駆動スタックを実行することで、このギャップを埋める。
我々は,HIL耐故障性検証のための実行可能耐故障性テストの自動生成のためのLLM支援フレームワークであるFaultGeneを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable validation of autonomous driving cyber-physical systems requires testing not only nominal driving behavior but also failures arising from faults in sensing and embedded computation. Physical road testing provides realistic system behavior but is costly and difficult to reproduce, while simulation enables scalable evaluation but cannot fully capture hardware-dependent behavior and fault propagation. Hardware-in-the-loop (HIL) validation bridges this gap by executing the driving stack on real embedded hardware within a simulated environment. However, preparing fault-augmented scenarios for HIL testing remains largely a manual process, limiting test coverage, scalability, and efficiency. We present FaultGene, an LLM-assisted framework for automated generation of executable fault-augmented tests for HIL fault-resilience validation. Given a baseline Scenic/CARLA scenario and a structured fault specification, FaultGene generates a fault-augmented test case that captures the effects of HIL-level fault injection. During offline refinement, semantic-consistency checks and execution-level feedback are used to correct candidates that fail to preserve the intended scenario context or produce the desired fault-induced degradation, and to construct high-quality supervision for fine-tuning. The resulting generator then produces fault-augmented tests directly at deployment time without requiring manually engineered reference executions or repeated refinement loops.
- Abstract（参考訳）: 自律運転型サイバー物理システムの信頼性検証には、名目上の運転行動だけでなく、検知や組込み計算の故障による故障も検査する必要がある。
物理的道路試験は現実的なシステムの挙動を提供するが、コストがかかり再現が困難である一方、シミュレーションはスケーラブルな評価が可能であり、ハードウェア依存の挙動や障害伝播を完全に捉えることはできない。
ハードウェア・イン・ザ・ループ(HIL)検証は、シミュレーション環境で実際の組み込みハードウェア上で駆動スタックを実行することで、このギャップを埋める。
しかし、HILテストのためのフォールトアップされたシナリオを作成することは、テストカバレッジ、スケーラビリティ、効率を制限し、手作業のプロセスのままである。
我々は,HIL耐故障性検証のための実行可能耐故障性テストの自動生成のためのLLM支援フレームワークであるFaultGeneを提案する。
ベースラインのScanic/CARLAシナリオと構造化された障害仕様を前提として、FactGeneはHILレベルの障害注入の効果をキャプチャする障害拡張テストケースを生成する。
オフラインリファインメント中、セマンティック一貫性チェックと実行レベルのフィードバックは、意図したコンテキストを保存するのに失敗する候補の修正や、望まれる障害誘発劣化を発生させ、微調整のための高品質な監視を構築するために使用される。
生成されたジェネレータは、手作業による参照実行や繰り返しリファインメントループを必要とせずに、デプロイ時に直接フォールト拡張テストを生成する。
関連論文リスト
- CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。
本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
論文 参考訳（メタデータ） (2026-09-21T05:14:34Z) - Delta Debugging for Cyber-Physical Systems with Flaky Test Executions [11.706481833926818]
シミュレーションに基づくテストはサイバー物理システム(CPS)の検証に広く用いられている
現代のCPSシミュレータは、しばしば非決定的(不安定な)振る舞いを示し、失敗を再現とデバッグが困難にしている。
本稿では, 統計的故障解析, 繰り返し実行, 環境認識の低減を組み合わせ, 最小限の故障発生テストインプットを分離する3つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-07-28T13:14:39Z) - 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) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - How LLMs Fail and Generalize in RTL Coding for Hardware Design? [56.361436215029045]
我々は,認知理論に触発された問題解決性に基づく新しい誤り分類法を導入する。
我々の分類学は、障害を構文、意味、解決可能な機能、解決不可能な機能タイプに分類する。
論文 参考訳（メタデータ） (2026-04-26T14:34:49Z) - Dynasto: Validity-Aware Dynamic-Static Parameter Optimization for Autonomous Driving Testing [6.969678532857503]
自律運転システムにおける安全クリティカルな障害を明らかにするための2段階のテスト手法であるDynastoを提案する。
まず、時間論理に基づく妥当性基準を用いた強化学習を用いて、敵エージェントを訓練する。
第二に、遺伝的アルゴリズムは、敵の失敗を誘発する振る舞いを再生しながら初期条件を探索し、RLエージェントだけでは発見できない追加の失敗を明らかにする。
論文 参考訳（メタデータ） (2026-03-22T22:35:30Z) - VIBEPASS: Can Vibe Coders Really Pass the Vibe Check? [46.85901599242161]
emphFault-Triggering Test Generation(FT-Test)とemphFault-targeted Program repair(FPR)の2つの組み合わせタスクを評価した。
故障対象推論は一般的な符号化能力ではスケールしないことがわかった。
自己生成テストが障害の発見に成功すると、結果として得られた修復結果が外部から提供されたテストによってガイドされた修復と一致したり、性能が低下する。
論文 参考訳（メタデータ） (2026-03-16T21:14:28Z) - ProbeLLM: Automating Principled Diagnosis of LLM Failures [89.44131968886184]
ProbeLLMはベンチマークに依存しない自動探索フレームワークで、個々の障害から構造的障害モードへの脆弱性発見を増大させる。
ProbeLLMは、検証可能なテストケースにプローブを制限し、ツールの拡張された生成と検証を活用することで、信頼性のある証拠として障害発見を根拠とする。
論文 参考訳（メタデータ） (2026-02-13T14:33:13Z) - HyperNet-Adaptation for Diffusion-Based Test Case Generation [2.0430493421725076]
拡散に基づく生成を直接かつ効率的に制御できる生成試験法HyNeAを提案する。
このアプローチにより、探索に基づく手法よりも計算コストが大幅に低い現実的な障害ケースをターゲットとして生成することができる。
論文 参考訳（メタデータ） (2026-01-21T14:45:15Z) - Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。
これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。
提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
論文 参考訳（メタデータ） (2022-06-04T19:45:02Z)
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。