大语言模型生成的故障场景用于评估自主边缘系统中的感知驱动车道保持
机器学习
2026-04-10 v1
摘要
在边缘设备上部署自主视觉系统面临一个关键挑战：资源限制阻止了对全面安全测试的实时和可预测执行。现有的验证方法依赖于静态数据集或手动故障注入，无法捕捉真实部署中遇到的多样化环境危害。为此，我们提出了一种解耦的离线-在线故障注入框架。该架构将验证过程分为两个不同阶段：计算密集的离线阶段和轻量级的在线阶段。在离线阶段，我们使用大语言模型（LLMs）语义生成结构化故障场景，并使用潜在扩散模型（LDMs）合成高保真传感器退化。这些复杂的故障动态被蒸馏为预计算的查找表，使边缘设备能够在无需在本地运行重型AI模型的情况下执行实时故障感知推理。我们在ResNet18车道保持模型上对该框架进行了广泛验证，涵盖460个故障场景。结果表明，虽然该模型在干净数据上的基线R²约为0.85，但我们的生成故障揭示了显著的鲁棒性退化，在雾条件下RMSE增加高达99%，0.10定位精度降至低至31.0%，表明正常数据评估对于真实世界边缘人工智能部署的不足。
引用
@article{arxiv.2604.07362,
title = {LLM-Generated Fault Scenarios for Evaluating Perception-Driven Lane Following in Autonomous Edge Systems},
author = {Faezeh Pasandideh and Achim Rettberg},
journal= {arXiv preprint arXiv:2604.07362},
year = {2026}
}