Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
12. Internationaler Motorenkongress 2025 | 25. + 26. Februar 2025

Treffpunkt der Community für Antriebe und nachhaltige Kraftstoffe

Der Kongress beleuchtet die zukünftige Rolle des Verbrennungsmotors und seiner nichtfossilen Kraftstoffe aus globaler Sicht mit führenden Experten. Seien Sie dabei! Weitere Informationen und Buchungsmöglichkeiten finden Sie auf unserer Website.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2025 | OriginalPaper | Buchkapitel

AI-Based Automotive Test Case Generation: An Action Research Study on Integration of Generative AI into Test Automation Frameworks

verfasst von : Albin Karlsson, Erik Lindmaa, Simin Sun, Miroslaw Staron

Erschienen in: Product-Focused Software Process Improvement. Industry-, Workshop-, and Doctoral Symposium Papers

Verlag: Springer Nature Switzerland

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Generative AI is transforming software development, particularly in unit and regression testing. However, it’s rarely used in Hardware-in-the-Loop (HIL) testing due to hardware-specific environments. This paper examines integrating GitHub Copilot into automotive test automation frameworks, focusing on Volvo’s Test Automation Framework (TAF). It explores how Copilot can automate test case generation and compares AI-generated test cases with manually written ones in terms of reliability and robustness. Using an iterative action research methodology, the study evaluates the functional suitability of AI-generated test cases and the challenges of integration. Results show that in the first iteration, 23% of AI-generated test cases passed in Jenkins and received high functionality scores. In the second iteration, this increased to 36%. These findings highlight the potential of Generative AI to enhance HIL testing.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Multi-model Approach for Video Data Retrieval in Autonomous Vehicle Development
Nächstes Kapitel AI Act High-Risk Requirements Readiness: Industrial Perspectives and Case Company Insights
Literatur
1.
Dakhel, A.M., Majdinasab, V., Nikanjam, A., Khomh, F., Desmarais, M.C., Jiang, Z.M.J.: GitHub copilot AI pair programmer: asset or liability? J. Syst. Softw. 203, 111734 (2023)CrossRef
2.
Ebert, C., Louridas, P.: Generative AI for software practitioners. IEEE Softw. 40(4), 30–38 (2023)CrossRef
3.
Garousi, V., Felderer, M., Kuhrmann, M., Herkiloğlu, K., Eldh, S.: Exploring the industry’s challenges in software testing: an empirical study. J. Softw. Evol. Process 32(8), e2251 (2020)CrossRef
4.
5.
Haghighatkhah, A., Banijamali, A., Pakanen, O.P., Oivo, M., Kuvaja, P.: Automotive software engineering: a systematic mapping study. J. Syst. Softw. 128, 25–55 (2017)CrossRef
6.
Majdinasab, V., Bishop, M.J., Rasheed, S., Moradidakhel, A., Tahir, A., Khomh, F.: Assessing the security of GitHub copilot generated code–a targeted replication study. arXiv preprint arXiv:​2311.​11177 (2023)
7.
Ochodek, M., Hebig, R., Meding, W., Frost, G., Staron, M.: Chapter 8 recognizing lines of code violating company-specific coding guidelines using machine learning. In: Bosch, J., Carlson, J., Holmstrom Olsson, H., Sandahl, K., Staron, M. (eds.) Accelerating Digital Transformation: 10 Years of Software Center, pp. 211–251. Springer, Cham (2022). https://​doi.​org/​10.​1007/​978-3-031-10873-0_​11
8.
Panichella, A., Kifetew, F.M., Tonella, P.: Automated test case generation as a many-objective optimisation problem with dynamic selection of the targets. IEEE Trans. Software Eng. 44(2), 122–158 (2017)CrossRef
9.
Pearce, H., Ahmad, B., Tan, B., Dolan-Gavitt, B., Karri, R.: Asleep at the keyboard? Assessing the security of GitHub copilot’s code contributions. In: 2022 IEEE Symposium on Security and Privacy (SP), pp. 754–768. IEEE (2022)
10.
Reynolds, L., McDonell, K.: Prompt programming for large language models: beyond the few-shot paradigm. In: Extended Abstracts of the 2021 CHI Conference on Human Factors in Computing Systems, pp. 1–7 (2021)
11.
Schäfer, M., Nadi, S., Eghbali, A., Tip, F.: An empirical evaluation of using large language models for automated unit test generation. IEEE Trans. Software Eng. 50, 85–105 (2023)CrossRef
12.
Shin, K.W., Kim, S.S., Lim, D.J.: Automatic test-case generation for hardware-in-the-loop testing of automotive body control modules. Technical report, SAE Technical Paper (2013)
13.
Siddiq, M.L., Majumder, S.H., Mim, M.R., Jajodia, S., Santos, J.C.: An empirical study of code smells in transformer-based code generation techniques. In: 2022 IEEE 22nd International Working Conference on Source Code Analysis and Manipulation (SCAM), pp. 71–82. IEEE (2022)
14.
15.
Staron, M.: Automotive Software Architectures. Springer, Cham (2021)
16.
Vaswani, A., et al.: Attention is all you need. In: Advances in Neural Information Processing Systems, vol. 30 (2017)
17.
Wong, D., Kothig, A., Lam, P.: Exploring the verifiability of code generated by GitHub copilot. arXiv preprint arXiv:​2209.​01766 (2022)
18.
Zhang, B., Liang, P., Zhou, X., Ahmad, A., Waseem, M.: Practices and challenges of using GitHub copilot: an empirical study. arXiv preprint arXiv:​2303.​08733 (2023)
Metadaten
Titel
AI-Based Automotive Test Case Generation: An Action Research Study on Integration of Generative AI into Test Automation Frameworks
verfasst von
Albin Karlsson
Erik Lindmaa
Simin Sun
Miroslaw Staron
Copyright-Jahr
2025
Buch
Product-Focused Software Process Improvement. Industry-, Workshop-, and Doctoral Symposium Papers

Print ISBN: 978-3-031-78391-3

Electronic ISBN: 978-3-031-78392-0

Copyright-Jahr: 2025

DOI
https://doi.org/10.1007/978-3-031-78392-0_4

Premium Partner

    Bildnachweise