- 机器人行为验证依赖**仿真测试(simulation-based testing)**，但其**可复制性(replicability)** 受限于测试配置、执行和后处理的透明文档缺失
- 现有方法缺乏对测试工件之间链接的显式追踪，且元数据常被事后附加，导致端到端证据难以重构
- 研究背景：FAIR原则在数据管理领域被广泛采用，但尚未系统性地应用于机器人验证流程中
- 提出将**数据来源(provenance)** 与**FAIR原则** 相结合，显式追踪测试工件之间的关联，并附加机器可读元数据（文件来源、关键设计决策）
- 在现有**仿真测试框架(simulation-based testing framework)** 基础上增强，集成**来源追踪(provenance tracking)** 和**元数据收集(metadata collection)** 机制
- 应用该方法丰富了一个**移动机器人导航数据集(mobile robot navigation dataset)**，为其添加结构化来源信息和FAIR对齐的元数据
- **流程集成而非事后处理**：将来源和元数据管理嵌入到测试生成过程中，而非仅在最终数据集上附加，实现端到端证据重构
- **结合数据来源与FAIR原则**：首次系统性地将**数据来源(provenance)** 与**可查找性、可访问性、互操作性、可重用性(FAIR)** 原则结合用于机器人仿真验证
- **实践验证与障碍分析**：通过实际框架扩展和数据集丰富，并识别了**词汇对齐(vocabulary alignment)**、**属性选择(attribute selection)** 和**领域标准采纳** 等障碍，提供可操作建议
- 为基于仿真的**机器人验证(robot validation)** 提高**可复制性(replicability)** 提供了一种新范式，通过结构化来源和FAIR元数据增强透明性
- 展示了如何将来源追踪集成到现有测试框架中，并成功应用于**移动机器人导航** 数据集，验证了可行性
- 总结了集成过程中的关键障碍（如词汇对齐、属性选择、领域标准），并给出了**可操作建议(actionable recommendations)**，指导社区实施来源中心的FAIR元数据
- 强调了**端到端证据重构(end-to-end evidence reconstruction)** 的重要性，推动机器人验证的可信度