该文提出了自我监视和自适应系统的概念，该系统可以通过监控感知算法的风险和使用 SOTIF 熵来驱动决策模块，从而在复杂的交通环境中实时地最小化自身意图功能安全性风险

Nov, 2022

本文介绍了两个关键贡献，即 SOTIF 时间错误和故障模型（STEAM）和基于模型的故障与错误的 SOTIF 分析方法（MoSAFE）。STEAM 是 SOTIF 因果模型的细化，提供了系统设计的全面视角。MoSAFE 方法允许基于系统设计模型实例化 STEAM，通过最弱前提推理从车辆级别的危险行为中推导出模块级别的危险错误序列模式。最后，本文通过一个自动速度控制功能的案例研究，展示了改进模型和 MoSAFE 方法在应对驾驶自动化系统的复杂安全挑战中的实际适用性。

Dec, 2023

本研究综述了自动驾驶系统的现状、面临的挑战和核心功能，并在实际驾驶中实现了各种算法和技术的比较，提出了自动驾驶系统发展所需的数据集和工具建议。

Jun, 2019

本论文针对自动驾驶系统的安全分析提出了一种实用的验证方法，即建立量化描述交通场景下 ADS 行为的代理模型，并通过证明安全特性来保证原 ADS 的性能。此外，我们还探索了危险驾驶的安全和不安全参数空间，并通过评估多个模拟交通场景下的安全特性展示了所提出方法的实用性。

Nov, 2022

人工智能和大型语言模型的快速发展使其融入各个领域，尤其是在人工智能生成的内容方面显著提高了能力。本研究通过系统分析 160 篇论文和资料库，对人工智能系统六个层面上现有的故障分析和故障注入方法进行了综述，探讨了目前 AI 系统存在的故障、当前故障注入工具能够模拟的故障类型，以及模拟故障与真实故障之间的差距。此外，本综述为故障诊断提供了一个框架，评估了故障注入技术的最新进展，同时也识别出了提升 AI 系统韧性的改进领域。

Jun, 2024

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

自动驾驶系统的安全验证变得越来越复杂，本文提出了一种基于场景的模糊测试方法 ——ScenarioFuzz。该方法利用地图道路网络提取关键数据形成种子场景集，结合专业变异器、图神经网络模型预测和过滤高风险场景，优化历史测试数据，成功发现 58 个漏洞，凸显了自动驾驶系统的安全问题。

Jul, 2024

通过探讨与保障支持因为设计而参数要求（例如安全性、安全性和可靠性）的合规性的确证缺陷检测、模式依赖以改善确证方案结构、改进现有确证方案符号以及（半）自动化确证方案生成等方面的挑战，提出了一些可能的解决方向。

Jan, 2024

研究高级驾驶辅助系统（ADAS）的限制和解决方案，通过文献综述和消费者投诉基于自然语言处理模型，发现 ADAS 的人类因素、环境因素和车辆因素的原因和影响，提出改进 ADAS 的算法和方法。

Jul, 2022

自动驾驶和驾驶辅助系统领域的安全保障、测试验证和验证安全关键应用的方法仍然是主要挑战之一，本文介绍了基于仿真的开发平台，用于验证和验证连续工程循环中的安全关键学习型系统。

Sep, 2023