摘要
摘要
[公元14年] 使用可达性分析对自动化道路车辆进行在线验证 IEEE Trans机器人 2014 30 4 903 918 10.1109/TRO.2014.2312453 谷歌学者 
交叉引用 
【BIL+16】 Bastani O、Ioannou Y、Lampropoulos L、Vytiniotis D、Nori AV、Criminisi A（2016）《带约束的神经网络鲁棒性测量》。 主题：神经信息处理系统进展29：2016年12月5日至10日在西班牙巴塞罗那举行的神经信息处理体系年会，第2613-2621页 谷歌学者 【BLPL06】 Bengio Y、Lamblin P、Popovici D、Larochelle H（2006）《深度网络的贪婪分层训练》。 摘自：《神经信息处理系统的进展》19，第二十届神经信息处理体系年会论文集，加拿大不列颠哥伦比亚省温哥华，2006年12月4-7日，第153-160页 谷歌学者 【BTD+16】 Bojarski M、Del Testa D、Dworakowski D、Firner B、Flepp B、Goyal P、Jackel LD、Monfort M、Muller U、Zhang J、Zhang-X、Zhao J、Zieba K（2016）《自动驾驶汽车的端到端学习》。 CoRR中， arXiv:1604.07316 谷歌学者 [第16章] 司机模型（2016） 谷歌学者 【2017年12月】 数字没有撒谎：自动驾驶汽车越来越好（2017） 谷歌学者 【DERW98】 Hinton GE，Rumelhart DE，Williams RJ（1998）通过反向传播误差学习表示。 In:认知建模，1998年 谷歌学者 【Epo16】 时代模型（2016） 谷歌学者 【FFF15】 Fawzi A、Fawzi O、Frossard P（2015）《分类器对对抗扰动的鲁棒性分析》。 CoRR公司， arXiv:150202590 谷歌学者 [FSA17] Feth P、Schneider D、Adler R（2017），自治系统概念安全监管定义和评估框架。 In:计算机安全、可靠性和安全——第36届国际会议，2017年9月13日至15日，意大利特伦托SAFECOMP 2017，会议记录，第135–148页 谷歌学者 【GBC16】 深度学习 2016 自适应计算与机器学习 麻省理工学院出版社，柏林 1373.68009 谷歌学者 数字图书馆 
[谷歌16] 谷歌的自动驾驶汽车引发了其首次撞车事故（2016年） 谷歌学者 [HK11] Hauke J，Kossowski T（2011）相同数据集上Pearson和Spearmans相关系数值的比较。 收录：Quaestions geographicae，第87页 谷歌学者 [HKWW17] Huang X，Kwiatkowska M，Wang S，Wu M（2017）深度神经网络的安全验证。 In:计算机辅助验证——2017年7月24日至28日在德国海德堡举行的2017年CAV第29届国际会议，会议记录，第一部分，第3-29页 谷歌学者 [华] 黄X 谷歌学者 [KBD+17a] Katz G、Barrett CW、Dill DL、Julian K、Kochenderfer MJ（2017）Reluplex：验证深层神经网络的高效SMT解算器。 收件人：计算机辅助验证——2017年7月24日至28日在德国海德堡举行的2017年CAV第29届国际会议，会议记录，第一部分，第97–117页 谷歌学者 [KBD+17b] Katz G，Barrett CW，Dill DL，Julian K，Kochenderfer MJ（2017）Reluplex：一种用于验证深度神经网络的高效SMT求解器。 CoRR公司， arXiv:1702.01135 谷歌学者 【KCDK15】 Kane A、Chowdhury O、Datta A、Koopman P（2015）《自主研究车辆（ARV）系统运行时监控案例研究》。 参加：运行时验证–第六届国际会议，2015年9月22日至25日，奥地利维也纳，RV 2015。 会议记录，第102–117页 谷歌学者 [Ker19] Keras（2019年）。 https://keras.io网址 谷歌学者 【KP16】 Kalra N，Paddock SM（2016）《安全驾驶：证明自动驾驶汽车的可靠性需要行驶多少英里？》？。 In：交通研究A部分：政策与实践，第94卷，第182C193页 谷歌学者 【NH10】 Nair V，Hinton GE（2010），整流线性单元改善了受限的Boltzmann机器。 在：第27届机器学习国际会议记录（ICML-10），2010年6月21-24日，以色列海法，第807-814页 谷歌学者 【NKS19】 Naumann M，Königshof H，Stiller C（2019）混合交通中的车道变换安全平稳。 参加：2019年IEEE智能交通系统会议，2019年ITSC，2019月27日至30日，新西兰奥克兰，第1832-1837页 谷歌学者 【PCYJ17】 Pei K，Cao Y，Yang J，Jana S（2017）深度探索：深度学习系统的自动白盒测试。 摘自：2017年10月28日至31日在中国上海举行的第26届操作系统原理研讨会论文集，第1-18页 谷歌学者 【PKA19】 Pek C、Koschi M、Althoff M（2019）具有安全保障的自动驾驶车辆运动规划的在线验证框架。 输入：AAET 谷歌学者 [PMG+16] Papernot N、McDaniel PD、Goodfellow IJ、Jha S、Celik ZB、Swami A（2016）使用对抗性示例对深度学习系统进行实际黑盒攻击。 CoRR公司， arXiv:1602.02697号 谷歌学者 [PT12] 挑战SMT求解器验证神经网络 AI通讯 2012 25 2 117 135 3012569 10.3233/AIC-2012-0525 谷歌学者 交叉引用 【PZA17】 Pek C、Zahn P、Althoff M（2017）《基于正式交通规则验证自动驾驶车辆换道操作的安全性》。 摘自：IEEE智能车辆研讨会，2017年第四届，2017年6月11-14日，美国加利福尼亚州洛杉矶，第1477-1483页 谷歌学者 [坡道16] 兰博模型（2016） 谷歌学者 [冲压17] 兰博模型（2017）。 https://github.com/udacity/self-driving-car/tree/master/steering-models/community-models/rambo 谷歌学者 [RKW+18] Roohi N、Kaur R、Weimer J、Sokolsky O、Lee I（2018），自驾汽车验证基准。CoRR， arXiv：1806.08810 谷歌学者 [SEBD20] Stahl T、Eicher M、Betz J、Diermeyer F（2020）《自动驾驶汽车在线验证概念——轨迹规划模块的实证研究》。 CoRR公司， arXiv:2005.07740号 谷歌学者 [SHE+17] Schürmann B、Hess D、Eilbrecht J、Stursberg O、Köster F、Althoff M（2017）使用形式化方法确保计划运动的驾驶性。 在：第20届IEEE智能交通系统国际会议，ITSC 2017，日本横滨，2017年10月16日至19日，第1–8页 谷歌学者 [SHR15] Rishi K，Samer H，Chris R（2015），使用卷积神经网络进行图像识别。 2015年技术报告 谷歌学者 [拼写04] 斯皮尔曼C（1904）两个事物之间联系的证明和测量。 美国心理学杂志72C101 谷歌学者 【SSS17】 Shalev-Shwartz S、Shammah S、Shashua A（2017）关于安全可扩展自动驾驶汽车的正式模型。 CoRR公司， arXiv:1708.06374 谷歌学者 【苏丹】 Sully Chen。 驱动数据集 谷歌学者 【2018年上半年】 深度神经网络的安全性和可靠性：一项调查。 CoRR公司， arXiv公司：1812.08342 , 2018. 撤回 谷歌学者 【深证+14】 Szegedy C、Zaremba W、Sutskever I、Bruna J、Erhan D、Goodfellow IJ、Fergus R（2014）《神经网络的有趣特性》。 参加：2014年4月14日至16日在加拿大阿联酋班夫举行的第二届国际学习代表大会，ICLR 2014，会议记录 谷歌学者 【苔丝18】 特斯拉表示，致命撞车事故中的车辆处于自动驾驶状态（2018年） 谷歌学者 【TPJR18】 Tian Y，Pei K，Jana S，Ray B（2018）深度测试：深度神经网络驱动的自动驾驶汽车的自动化测试。 摘自：2018年5月27日至6月3日在瑞典哥德堡举行的第40届国际软件工程会议记录，第303–314页 谷歌学者 【TYCY98】 Cheung SC，Chen TY，Yiu SM（1998）变形测试：生成下一个测试用例的新方法。 香港科技大学计算机科学系技术报告、技术报告HKUST-CS98-01 谷歌学者 [Ube18] 涉及自动驾驶uber的致命车祸表明，涉及自动驾驶车辆的软件、硬件和测试程序存在重大缺陷（2018年） 谷歌学者 [Z319] Z3（2019）。 http://rise4fun.com/z3 谷歌学者 [ZZZ+18] Zhang M，Zhang Y，Zhang-L，Liu C，Khurshid S（2018）Deeproad:基于Gan的自动驾驶系统变形测试和输入验证框架。 收录：第33届ACM/IEEE自动化软件工程国际会议论文集，ASE 2018，法国蒙彼利埃，2018年9月3日至7日，第132–142页 谷歌学者
建议
DeepTest：深度神经网络驱动的自动驾驶汽车的自动化测试 ICSE’18：第40届国际软件工程会议记录 深度神经网络（DNN）的最新进展导致了DNN驱动的自动汽车的开发，该汽车使用摄像头、激光雷达等传感器，无需任何人工干预即可驾驶。 大多数主要制造商包括特斯拉、通用汽车、福特、宝马和。。。 根据警方报告为自动驾驶汽车生成有效的测试案例 ESEC/FSE 2019:2019年欧洲软件工程会议暨软件工程基础研讨会第27届ACM联合会议记录 自动驾驶带来了大幅减少车祸数量的承诺； 然而，最近报道的涉及自动驾驶汽车的致命车祸表明，这一重要目标尚未实现。 这需要对……进行更好的测试。。。 通过基于搜索的程序内容生成自动测试自动驾驶汽车 ISSTA2019：第28届ACM SIGSOFT国际软件测试与分析研讨会会议记录 自动驾驶汽车依赖于需要彻底测试的软件。 在实际交通中测试自动驾驶汽车软件不仅昂贵而且危险，而且已经造成死亡。 虚拟测试，其中自动驾驶汽车软件是。。。
