Bayesian Fault Injection Safety Testing for Highly Automated Vehicles With Uncertainty
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Highly Automated Vehicles (HAVs) are exposed to numerous unexpected faults that threaten the functionality of the Autonomous Driving System (ADS) in HAVs, and even minor faults can lead to serious consequences such as collisions. Accordingly, fault tolerance of HAVs should be thoroughly evaluated before large-scale deployment. Fault Injection (FI) testing is commonly used for the verification and validation of HAVs. However, due to the time cost of FI simulation, it is impossible to simulate all combinations of initial conditions and the high-dimensional fault space. Meanwhile, the inherent uncertainty in complex ADS of the HAV under test cause uncertain testing results, which leads to unreliable results in one-time simulation. To address these problems, an accelerated FI method considering uncertainty within ADS based on Dynamic Bayesian Network (DBN) is proposed. DBN is applied to serve as a surrogate for HAVs and to learn the causal relationship between factors in the complex system of HAVs. Rolling Forecast and Monte Carlo sampling are combined to predict the collision probability after FI. Taking open-source Autonomous Driving System Baidu Apollo as the System Under Test, the experimental results demonstrate that the DBN-based FI method performs well both in efficiency and accuracy across various scenarios. DBN-based FI is 447 times faster than simulation and can achieve 88.9% precision. Furthermore, the collision probability and the variable distribution calculated by uncertain prediction are close to those obtained by simulation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle