Bayesian Fault Injection Safety Testing for Highly Automated Vehicles With Uncertainty
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».