arXiv cs.AI· Chaoran Yuan, Fadi Kurdahi·· 12 小时前AI 评分31
FaultGene：LLM 辅助的故障增强测试生成，用于自动驾驶系统 HIL 验证
FaultGene: LLM-Assisted Fault-Augmented Test Generation for Hardware-in-the-Loop Validation of Autonomous Driving Systems
AI 导读
FaultGene 是 LLM 辅助框架，可从基线 Scenic/CARLA 场景和结构化故障规范自动生成可执行的故障增强测试用例，用于 HIL 故障韧性验证。它通过语义一致性检查与执行级反馈进行离线精炼，纠正未保留场景上下文或未产生预期故障退化的候选，并构建微调监督数据。精炼后的生成器在部署时直接产出测试，无需人工构造参考执行或反复迭代。
正文 · AI 翻译
摘要：对自动驾驶信息物理系统进行可靠验证，不仅需要测试标称驾驶行为，还需要测试由感知与嵌入式计算故障引发的失效。物理道路测试能提供真实的系统行为，但成本高昂且难以复现；仿真可实现可扩展的评估，却无法完全捕捉依赖硬件的行为与故障传播。硬件在环（HIL）验证通过在仿真环境中于真实嵌入式硬件上执行驾驶栈，弥合了这一差距。然而，为 HIL 测试准备故障增强场景在很大程度上仍依赖人工流程，限制了测试覆盖率、可扩展性与效率。
我们提出 FaultGene，一个由 LLM 辅助的框架，用于自动生成可执行的故障增强测试，以支持 HIL 故障韧性验证。给定基线 Scenic/CARLA 场景与结构化故障规范，FaultGene 生成一个故障增强测试用例，以捕捉 HIL 级故障注入的影响。在离线精化阶段，利用语义一致性检查与执行级反馈来修正那些未能保持预期场景上下文或未能产生预期故障诱发退化的候选，并构建用于微调的高质量监督。由此得到的生成器随后可在部署时直接生成故障增强测试，无需人工设计的参考执行或反复的精化循环。
| 主题： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.29969 [cs.SE] |
| （或本版本使用 arXiv:2610.29969v1 [cs.SE]） | |
| https://doi.org/10.48550/arXiv.2610.29969 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chaoran Yuan [查看邮箱]
[v1]
2026年10月21日星期三 16:20:57 UTC（3,348 KB）
来源：arXiv cs.AI · arxiv.org