ترجمه فارسی مقاله تست تحمل خطای ابعادی بالا در وسایل نقلیه بسیار خودکار مبتنی بر مدل‌های رتبه پایین

چکیده

Ensuring fault tolerance of Highly Automated Vehicles (HAVs) is crucial for their safety due to the presence of potentially severe faults. Hence, Fault Injection (FI) testing is conducted by practitioners to evaluate the safety level of HAVs. To fully cover test cases, various driving scenarios and fault settings should be considered. However, due to numerous combinations of test scenarios and fault settings, the testing space can be complex and high-dimensional. In addition, evaluating performance in all newly added scenarios is resource-consuming. The rarity of critical faults that can cause security problems further strengthens the challenge. To address these challenges, we propose to accelerate FI testing under the low-rank Smoothness Regularized Matrix Factorization (SRMF) framework. We first organize the sparse evaluated data into a structured matrix based on its safety values. Then the untested values are estimated by the correlation captured by the matrix structure. To address high dimensionality, a low-rank constraint is imposed on the testing space. To exploit the relationships between existing scenarios and new scenarios and capture the local regularity of critical faults, three types of smoothness regularization are further designed as a complement. We conduct experiments on car following and cut in scenarios. The results indicate that SRMF has the lowest prediction error in various scenarios and is capable of predicting rare critical faults compared to other machine learning models. In addition, SRMF can achieve 1171 acceleration rate, 99.3% precision and 91.1% F1 score in identifying critical faults. To the best of our knowledge, this is the first work to introduce low-rank models to FI testing of HAVs.

چکیده به فارسی (ترجمه ماشینی)

اطمینان از تحمل گسل وسایل نقلیه بسیار خودکار (HAV) برای ایمنی آنها به دلیل وجود گسلهای بالقوه شدید بسیار مهم است.از این رو ، آزمایش تزریق گسل (FI) توسط پزشکان برای ارزیابی سطح ایمنی HAV ها انجام می شود.برای پوشش کامل موارد تست ، سناریوهای مختلف رانندگی و تنظیمات گسل باید در نظر گرفته شود.با این حال ، به دلیل ترکیب های بیشماری از سناریوهای تست و تنظیمات گسل ، فضای آزمایش می تواند پیچیده و با ابعاد بالا باشد.علاوه بر این ، ارزیابی عملکرد در تمام سناریوهای تازه اضافه شده منبع مصرف است.نادر بودن گسلهای مهم که می تواند باعث ایجاد مشکلات امنیتی شود ، این چالش را بیشتر تقویت می کند.برای پرداختن به این چالش ها ، ما پیشنهاد می کنیم که آزمایش FI را در چارچوب فاکتوریزاسیون ماتریس منظم (SRMF) با ثبات در رده پایین تسریع کنیم.ما ابتدا داده های ارزیابی شده پراکنده را در یک ماتریس ساختاری بر اساس مقادیر ایمنی آن سازماندهی می کنیم.سپس مقادیر آزمایش نشده توسط همبستگی ضبط شده توسط ساختار ماتریس تخمین زده می شود.برای پرداختن به ابعاد بالا ، محدودیت پایین رتبه در فضای آزمایش تحمیل می شود.برای بهره برداری از روابط بین سناریوهای موجود و سناریوهای جدید و ضبط منظم محلی گسلهای بحرانی ، سه نوع تنظیم صافی بیشتر به عنوان یک مکمل طراحی شده اند.ما آزمایشاتی را در مورد اتومبیل انجام می دهیم و سناریوها را بریده می کنیم.نتایج نشان می دهد که SRMF کمترین خطای پیش بینی را در سناریوهای مختلف دارد و قادر به پیش بینی گسلهای مهم نادر در مقایسه با سایر مدلهای یادگیری ماشین است.علاوه بر این ، SRMF می تواند به 1171 سرعت شتاب ، دقت 99.3 ٪ و نمره F1 91.1 ٪ در شناسایی گسلهای مهم دست یابد.به بهترین دانش ما ، این اولین کاری است که مدل های کم رتبه را به آزمایش FI HAV ها معرفی می کند.