LiDAR-SHIELD: LiDAR 3D 인지 모델의 적대적 강건성 평가를 위한 Docker 기반 프레임워크
LiDAR 인지 모델을 HTTP 인터페이스로 연결해 분할과 객체 검출에 대한 다양한 적대적 공격을 실행하는 프레임워크를 제안합니다. 모델별 환경 구축 부담을 줄이고 취약성을 비교하도록 설계했습니다.
Foundation Model을 사용하는 학습 기반 CPS의 안전성 확보: 테스트·검증·런타임 보증을 위한 신경기호 접근
자율주행 차량 등을 포함한 학습 기반 CPS에 대해 신경기호 아키텍처, 명세 기반 테스트, 조합적 검증과 런타임 보증을 연결하는 연구 방향을 제안합니다. 모델 성능보다 시스템 차원의 증거 구성을 강조합니다.
ML 기반 LiDAR 객체 검출의 SOTIF 분석에서 조건별 성능 목표 적용성을 판단하는 불확실성 평가
한 조건에서 정한 불확실성 임계값을 다른 SOTIF triggering condition으로 옮겼을 때 성능 목표가 유지되는지 통계적으로 평가합니다. 프레임 간 의존성과 독립 시퀀스 수가 근거 해석에 미치는 영향을 분석합니다.
Automotive SPICE® MLE는 기존 소프트웨어 개발과 무엇이 다를까: 자율주행으로 보는 머신러닝 엔지니어링
보행자 인식 모델을 예로 ML 요구사항·아키텍처·훈련·시험과 데이터 관리의 차이를 설명한다. 학습 데이터와 테스트 데이터의 역할, 출처·라벨·편향 관리 및 기존 SWE 프로세스와의 통합을 추적 가능한 산출물 관점에서 다룬다.
C-DFF: 자율주행 인지 시뮬레이션 검증을 위한 개념 수준 작동 메커니즘 일치 진단
실제 영상과 합성 영상에서 인지 모델이 의존하는 시각적 개념을 비교하는 C-DFF를 제안합니다. 출력값이 유사하더라도 내부 판단 근거가 달라질 수 있음을 분석해 시뮬레이터 진단을 지원합니다.
자율주행을 위한 강건하고 효율적인 LiDAR 인지 구성
점군 손상에 대한 강건성과 추론 시간·GPU 메모리 제약을 함께 고려하는 LiDAR 검출기 구성 방법을 제안합니다. 손상 민감도 기반 학습 순서와 네트워크·샘플링 축소를 결합합니다.
Expand-and-Prune: End-to-End 자율주행의 테스트 시점 후보 공간 적응
학습 파라미터를 수정하지 않고 의미적 주행 의도와 이전 예측으로 궤적 후보를 확장한 뒤 불확실성에 따라 줄이는 방법을 제안합니다. 여러 주행 계획 모델과 벤치마크에서 평가합니다.
자율주행 AI 해설: ODD·아키텍처·평가 근거 구분
Troy Technical의 일본어 해설은 SAE 자동화 수준과 ODD를 구분하고 모듈형·end-to-end 아키텍처, 로그 재생·시뮬레이션·실차 평가를 비교합니다. ISO/PAS 8800 등 표준과 공개 연구를 연결해 서로 다른 평가 지표와 안전 근거를 읽는 방법을 정리합니다.
자율주행 차량의 열적 사이드채널 및 인지 공격에 관한 조사
야간 주행용 열적외선 센서의 스푸핑과 차량 컴퓨팅 장치의 열 원격측정을 통한 정보 누출을 함께 검토합니다. 공격 조건, 방어 방법과 잔여 위험을 비교하고 자동차 환경에서 필요한 검증 과제를 정리합니다.
안전 상태가 공격 경로가 될 때: 기능안전 오류 처리와 보안 대응의 충돌
CAN 오류 격리와 ECU 오류 처리 사례를 바탕으로 안전 반응이 보안 공격과 충돌하는 경로를 설명한다. 고장·공격 증거의 구분, 시간 예산, 안전 상태 전이와 두 분야의 설계 검토를 연결하는 분석 기사다.
모델 검증과 런타임 모니터링을 결합한 Autoware 제어 노드 검증
Autoware의 궤적 추종 제어기를 하이브리드 시스템으로 모델링하고 안전성·활성을 형식적으로 검증합니다. 시뮬레이션 중 런타임 모니터링으로 실제 구현이 검증 모델의 가정과 제약을 만족하는지 확인합니다.
ProbGuard: 확률 예측을 이용한 LLM 에이전트의 선제적 런타임 안전 모니터링
실행 흔적에서 학습한 Markov 모델로 향후 안전 유지 확률을 추정하고 임계값에 따라 개입합니다. 자율주행과 가정용 에이전트에서 사전 위험 경고와 개입에 따른 임무 완수의 상충관계를 평가합니다.