SDVDiag：利用上下文感知的因果挖掘诊断网联汽车功能
软件工程
2026-04-07 v1 机器学习
摘要
网联汽车功能的实际部署正在稳步扩展，然而，由于其分布式特性以及底层云、边缘和网络基础设施的复杂性，可靠地运行这些功能仍然具有挑战性。快速诊断问题并理解导致故障的错误链对于减少停机时间至关重要。然而，这些系统的诊断仍然主要依靠人工完成，因为自动化分析技术主要以数据驱动为主，难以处理隐藏关系和上下文信息的集成。本文通过引入一种多模态方法来解决这一差距，该方法将人类反馈和系统特定信息集成到因果分析过程中。采用基于人类反馈的强化学习来持续训练因果挖掘模型，同时融入专家知识。附加模块利用分布式追踪数据来剪枝假阳性因果链接，并允许注入领域特定关系以进一步细化因果图。评估在一个网联汽车测试场中运行的自动代客泊车应用上进行。结果表明，与纯数据驱动方法相比，因果边检测的精确率从 14% 显著提高到 100%，并且系统可解释性得到改善，突显了该方法对网联汽车领域系统操作员的潜力。
引用
@article{arxiv.2604.03391,
title = {SDVDiag: Using Context-Aware Causality Mining for the Diagnosis of Connected Vehicle Functions},
author = {Matthias Weiß and Falk Dettinger and Elias Detrois and Nasser Jazdi and Michael Weyrich},
journal= {arXiv preprint arXiv:2604.03391},
year = {2026}
}
备注
7 pages, 4 figures, to be submitted to the VTC2026