paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Misbehaviour prediction for autonomous driving systems

自动驾驶系统的误行为预测
ICSE Proceedings of the ACM/IEEE 42nd International Conference on Software Engineering2020匹配度 3/10 · 论文属于机器学习系统可靠性与测试/调试方向，关注自动驾驶中 DNN 组件的运行时误行为预测，与用户画像中的 PL→AI、AI→PL、浮点程序分析、贝叶斯程序分析及 LLM/Agent 等核心方向均无直接交集。引用 145 inbox
Andrea Stocco, Michael Weiss, Marco Calzana, Paolo Tonella
机器学习与程序语言测试、调试与修复
crossref: 2026-09-12

AI 速览

一句话：提出误行为预测方法，用于运行时预测自动驾驶系统中 DNN 组件的错误行为，弥补离线测试的不足。

深度神经网络（DNN）是现代自动驾驶系统的核心组件，但其难以在所有驾驶条件下正确泛化。现有测试技术多为离线方案，通过识别对抗样本或边缘案例来改进训练阶段，无法在运行时应对未预见的情况。本文提出误行为预测（misbehaviour prediction）方法，旨在运行时预测自动驾驶系统中 DNN 组件可能出现的错误行为，从而为在线缓解措施提供依据。该方法关注 DNN 预测的可靠性，评估在自动驾驶场景下进行，以检验预测的有效性。本文的工作转向运行时误行为预测，为自动驾驶系统的安全运行提供了新思路，弥补了离线测试的不足。

问题
DNN 在自动驾驶中难以泛化到所有驾驶条件，而现有测试技术均为离线方案，仅能识别对抗或边缘案例以改进训练，无法在运行时应对未预见的误行为。
方法
本文提出误行为预测方法，旨在运行时预测自动驾驶系统中 DNN 组件可能出现的错误行为，从而支持在线缓解。
评估
评估在自动驾驶场景下进行，以检验误行为预测的有效性（摘要未详述具体评估细节）。
原文摘要（Abstract）

Deep Neural Networks (DNNs) are the core component of modern autonomous driving systems. To date, it is still unrealistic that a DNN will generalize correctly to all driving conditions. Current testing techniques consist of offline solutions that identify adversarial or corner cases for improving the training phase.

链接与引用

DOI 原文 ·

BibTeX 
@inproceedings{paperbot5595,
  title = {Misbehaviour prediction for autonomous driving systems},
  author = {Andrea Stocco and Michael Weiss and Marco Calzana and Paolo Tonella},
  booktitle = {ICSE},
  year = {2020},
  doi = {10.1145/3377811.3380353}
}