稀有交通违规行为的可重用时序监控器自适应分割
机器人学
2024-07-25 v2 人工智能
机器学习
摘要
自动驾驶车辆（AV）常在仿真中进行测试以估算其违反安全规范的概率。使用现有技术产生此估计时，两个常见问题会出现：如果违规事件罕见，简单的蒙特卡洛抽样技术可能无法产生有效的估计；如果仿真时程过长，重要抽样技术（which 从过去的仿真中学习提议分布）可能无法收敛。本文通过交叉稀有事件抽样技术与在线规范监控算法来解决这两个问题。我们使用自适应多级分割将仿真分解为部分轨迹，然后通过利用信号时序逻辑（STL）中的鲁棒性度量来计算这些部分轨迹到失败的距离。通过缓存这些部分鲁棒性度量值，我们可以在多个抽样阶段之间高效地重用这些计算。我们在一条高速公路变道情景下进行的实验表明，本方法适用于测试仿真中的 AV 管道，能够高效地估算基于真实交通规则的 STL 规范的失败概率。我们比蒙特卡洛和重要抽样在更少的仿真中提供了更好的估计。
引用
@article{arxiv.2405.15771,
title = {Adaptive Splitting of Reusable Temporal Monitors for Rare Traffic Violations},
author = {Craig Innes and Subramanian Ramamoorthy},
journal= {arXiv preprint arXiv:2405.15771},
year = {2024}
}