本文介绍一种名为基于覆盖率反馈的测试选择的自动约束提取和测试选择的新方法，通过选择具有高概率增加功能覆盖率的测试，有助于减少手动约束编写，优先考虑有效测试，降低验证资源消耗，加速大型工业硬件设计的覆盖率闭合。

May, 2022

自动驾驶车辆的验证是开发和性能评估的关键，本文通过数据驱动和知识驱动方法分析场景生成的复杂性，并引入 BridgeGen 框架以整合两种方法的优势，以提高生成各种安全关键场景的效率。

Nov, 2023

利用深度生成模型的数据模拟实用性来对场景 - based ODD 进行验证，并分析系统在不同光照和天气条件下以及在其之间过渡时的运作程度。

Oct, 2023

本文中，我们提出了一种混合智能测试方法，结合了 “覆盖向导测试选择” 和 “新颖性驱动验证” 两种方法，以实现高效有效的硬件测试。

May, 2022

提出了一种使用信号时序逻辑（STL）的测试框架，以实现需求驱动的方法来测试自动驾驶汽车的复杂系统，该框架支持机器学习等深度神经网络组件，可以评估控制算法和包括车载环境的感应器模型，提供能够增强控制器设计调试和测试可靠性的测试用例。

Aug, 2019

使用 Transformer-based 代码模型，提出完全自动化的测试框架，能够生成可编译和可读的单元测试，可以补充搜索 - based 测试生成的测试，并且能够覆盖开发人员编写测试中未覆盖的代码行。

Aug, 2023

增长的自动驾驶功能的复杂性和重要性，导致了对在虚拟环境和模拟模型中覆盖开发、验证和验证的显著比例的需求。我们提出了一种系统获取公共交通数据的方法，通过异构手段转换为统一表示，并用它来自动参数化交通行为模型，以用于数据驱动的自动驾驶功能的虚拟验证。

May, 2024

本研究聚焦于基于视觉的着陆任务，展示了符合机器学习系统操作设计领域（ODD）的数据集的设计和验证。通过借鉴新兴的认证标准，我们描述了在系统和图像级别建立 ODDs 的流程。在该过程中，我们将高级系统约束转化为可操作的图像级属性，从而定义了可验证的数据质量要求 (DQRs)。为了阐述这种方法，我们使用了 Landing Approach Runway Detection (LARD) 数据集，结合了合成图像和真实画面，并侧重于验证 DQRs 所需的步骤。本论文中提出的可复制框架解决了为安全关键应用中基于 ML 的系统认证设计符合严格需求的挑战。

Jun, 2024

本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

Apr, 2018

通过使用 Abstraction and Reasoning Corpus（ARC）作为基准，我们介绍了一种与人类生成的自然程序相一致的以对象为中心的模型，这些模型不仅可以进行预测，还可以为输入 / 输出对提供联合描述，并且通过最小描述长度（MDL）原则在大型模型空间中高效搜索。我们解决了多样化的任务，并且学得的模型与自然程序相似。同时，我们还展示了我们的方法的广泛适用性。

Nov, 2023