本文提出 ADGFUZZ，一种面向机器人车辆（RV）控制软件的新型模糊测试框架，旨在检测赋值语句相关的深层缺陷。RV 控制软件通过持续计算车辆内部状态、传感器读数与外部输入来维持系统正常运行，其可配置参数、命令输入和环境感知数据之间存在巨大的组合空间，给安全带来显著风险。传统模糊测试难以有效探索如此庞大的输入空间并发现深层 bug。ADGFUZZ 的核心思路是：首先通过静态分析构建“赋值依赖图”（Assignment Dependency Graph, ADG），捕捉程序内部变量之间的依赖关系；然后利用命名相似性将这些依赖传播到 RV 的输入空间，生成一组目标明确的输入，称为“匹配输入集”（Matched Input Set, MIS）；最后在 MIS 上进行熵感知模糊测试，从而提升 bug 发现的整体效率。实验评估中，ADGFUZZ 在三种不同类型的 RV 上发现了 87 个独立 bug，其中 78 个为未知缺陷；所有已发现的 bug 均已向开发者负责任披露，已有 16 个被确认修复。该研究的主要贡献在于利用程序内变量依赖关系来指导模糊测试输入生成，有效应对 RV 软件中输入空间巨大且探索困难的问题，为机器人车辆控制软件的安全检测提供了新思路。适合关注嵌入式系统安全、模糊测试技术及机器人安全的研究人员与安全工程师阅读。