論文の概要: Bug2Scenario: Root-Cause-Preserving Test Scenario Amplification for Autonomous Driving Software
- arxiv url: http://arxiv.org/abs/2611.06229v1
- Date: Wed, 04 Nov 2026 09:37:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.045775
- Title: Bug2Scenario: Root-Cause-Preserving Test Scenario Amplification for Autonomous Driving Software
- Title（参考訳）: Bug2Scenario: 自動走行ソフトウェアのためのルートカス保存テストシナリオ増幅
- Abstract要約: シミュレーションベースのファジィは、シナリオを繰り返し変更し実行することで、自律運転システム(ADS)の障害を露呈する。
Bug2Scenarioを紹介します。
- 参考スコア（独自算出の注目度）: 17.61129907068302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulation-based fuzzing exposes autonomous driving system (ADS) failures by repeatedly mutating and executing scenarios, but converting one failure into reusable regression scenarios remains difficult. Such variants test whether the mechanism persists after software changes, for example by varying weather or actor placement while retaining a collision's actor-route conflict. We present Bug2Scenario, a root-cause-guided post-fuzzing framework. From scenario data, traces, and oracle evidence, it extracts a root-cause pattern. An LLM proposes semantic variations over actors, missions, routes, and weather. Deterministic rules construct DriveFuzz-compatible scenarios. Execution evidence and manual review assess preservation. Separating these responsibilities prevents fluency, syntax, or recurring labels from masquerading as causal evidence. Under matched seeds, six LLM backbones, candidate budget, and execution pipeline, Bug2Scenario improves strict preservation by 6.7 percentage points (p=0.104; not significant) and boundary-inclusive preservation by 10.6 points (p=0.011). Feedback helps some initially unsuccessful seeds yield a strictly preserved candidate. Seed-level stopping then avoids further API calls and simulator runs. Remaining failures reflect actor-placement constraints, simulator instability, and incomplete or conflicting causal evidence. Bug2Scenario thus produces reliable ADS regression assets. Our implementation is available at https://github.com/YgcCoder/Bug2Sce.
- Abstract（参考訳）: シミュレーションベースのファジィは、シナリオを繰り返し変更して実行することで、自律運転システム(ADS)の障害を露呈するが、ひとつの障害を再利用可能な回帰シナリオに変換することは依然として困難である。
このような変種は、例えば、衝突のアクターとルートの競合を維持しながら、異なる天候やアクターの配置によって、ソフトウェアの変更後にメカニズムが持続するかどうかをテストする。
Bug2Scenarioを紹介します。
シナリオデータ、トレース、およびオラクルの証拠から、根本原因パターンを抽出する。
LLMはアクター、ミッション、ルート、天候のセマンティックなバリエーションを提案する。
決定論的ルールはDriveFuzz互換のシナリオを構築する。
実行証拠とマニュアルレビューによる保存の評価。
これらの責任を分離することで、ラベルの流布、構文、再発を因果的証拠としてマスクレーディングするのを防ぐ。
6つのLDMバックボーン、候補予算、実行パイプラインの下では、Bug2Scenarioは厳格な保存を6.7パーセント(p=0.104;有意ではない)、境界包含的な保存を10.6ポイント(p=0.011)改善している。
フィードバックは、最初に失敗した種子が厳密に保存された候補になるのを助ける。
シードレベルの停止は、さらなるAPI呼び出しやシミュレータの実行を避ける。
残る障害は、アクター配置の制約、シミュレータ不安定、不完全または矛盾する因果関係の証拠を反映している。
これにより、Bug2Scenarioは信頼できるADSレグレッションアセットを生成する。
私たちの実装はhttps://github.com/YgcCoder/Bug2Sce.comで公開されています。
関連論文リスト
- LIBERO-MAX: Do Robot Policies Adapt When the World Changes? [61.52324972910026]
多くのシミュレーションロバストネスベンチマークは、リセット時に外部条件を修正し、この時間的課題を過小評価する。
LIBERO-MAXは、幾何学、観察、外観、乱雑、経路の8種類の変化にまたがる8000のペアケースのベンチマークである。
各ペアはタスク実行と、タスク、初期状態、ポリシーシード、修正前のアクションシーケンスを保持する中タスクイベントとを比較します。
論文 参考訳（メタデータ） (2026-09-29T02:12:26Z) - 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) - From Resource Flow to Executable Tests: Petri-Net-Guided LLM Test Generation for Concurrent Stateful Rust APIs [5.064868362565062]
コンカレントステートフルライブラリAPIは、リソースオーナシップの進化、ライフサイクル状態、競合するインターリーブを通じて、振る舞いを公開する。
大規模な言語モデルは実行可能なRustテストを合成できるが、その出力はAPIの前提条件に違反したり、浅いままだったり、偶然のトレースを減らしたりすることが多い。
本稿では,形式的なシナリオ設計と低コストなテストクリエティゼーションのギャップについて論じる。
論文 参考訳（メタデータ） (2026-07-23T17:15:53Z) - PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。
セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。
SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。
ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
論文 参考訳（メタデータ） (2026-07-18T04:46:53Z) - AutoTrace: From Patches to Triggers via Agentic Interprocedural Exploration [6.39392731596656]
脆弱性修正コミットが与えられた場合、トリガーローカライゼーションは、脆弱性のあるプログラム状態を具体的な安全でない操作に変換する特定のステートメントを問う。
脆弱性トリガをローカライズするエージェントパイプラインであるAutoTraceについて,コードプロパティグラフ層を層単位で探索することによって紹介する。
エージェントは自身の権限でトリガーを決して受け入れない。報告されたトリガーはすべて、グラフから引き出された明確な証拠によって裏付けられている。
論文 参考訳（メタデータ） (2026-07-13T18:21:42Z) - TTHE: Test-Time Harness Evolution [50.26245555541721]
既存のアプローチでは、デプロイ前、トレーニング前、あるいはテスト時に凍結される固定されたエージェントワークフローの開発データを最適化する。
我々は、エージェントがテスト入力で生成するラベルのない実行トレースのみを使用して、評価自体にハーネスを最適化できるかどうかを問う。
評価中、TTHEは候補ハーネスの人口を維持し、それらの実行トレースの理由をエージェントプロジェクタを通じてそれらを洗練する。
その後、審査員は実行元プロキシ信号から改善されたハーネスをコミットし、選択したプログラムは継続してその後の入力を統治する。
論文 参考訳（メタデータ） (2026-07-09T05:53:39Z) - Scenario Generation for Testing of Autonomous Driving Systems Using Real-World Failure Records [19.330267460084773]
本稿では,歴史的記録から利用できる分類的・文脈的情報を用いた自然言語形式でのシナリオ生成パイプラインを提案する。
そこで我々は,メタドライブシミュレータ上で自律ナビゲーションをテストするためのシナリオを多種多様に生成するために,本手法をうまく適用した。
論文 参考訳（メタデータ） (2026-06-30T04:56:25Z) - Can Transformers Learn to Verify During Backtracking Search? [5.709908922073304]
バックトラック探索は古典的な制約解決者、プランナー、定理証明者の基礎となる。
最近の変圧器に基づく推論システムは, 探索木を自身の中間ステップで探索する。
累積トレースで訓練されたデコーダのみの変換器は、この要件を2つの方法で満たさないことを示す。
論文 参考訳（メタデータ） (2026-05-21T09:26:01Z) - Scene Graph-Guided Proactive Replanning for Failure-Resilient Embodied Agent [9.370683025542686]
本稿では,サブタスク境界における障害の検出と修正を行う,アクティブなリプランニングフレームワークを提案する。
AI2-THORシミュレータの実験では,実行障害発生前の意味的および空間的ミスマッチを検出する。
論文 参考訳（メタデータ） (2025-08-15T07:48:51Z) - SAMITE: Position Prompted SAM2 with Calibrated Memory for Visual Object Tracking [58.35852822355312]
Visual Object Tracking (VOT)は、ビデオ内のターゲットを継続的に追跡する自律運転のようなアプリケーションで広く使われている。
これらの問題に対処するために、ビデオ基盤モデルSAM2をVOTに適用し、各フレームの追跡結果をメモリとして符号化し、残りのフレームを自己回帰的に条件付けする手法を提案する。
これらの課題に対処するために,SAM2 上にモジュールを追加して構築した SAMITE モデルを提案する。
論文 参考訳（メタデータ） (2025-07-29T12:11:56Z) - Detecting Rewards Deterioration in Episodic Reinforcement Learning [63.49923393311052]
多くのRLアプリケーションでは、トレーニングが終了すると、エージェント性能の劣化をできるだけ早く検出することが不可欠である。
我々は,各エピソードにおける報酬が独立でもなく,同一に分散した,マルコフでもない,エピソード的枠組みを考察する。
平均シフトは、時間信号の劣化(報酬など)に対応する方法で定義し、最適な統計的パワーでこの問題の試行を導出する。
論文 参考訳（メタデータ） (2020-10-22T12:45:55Z)
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。