基于对抗学习的在线异常监控以保障自治能力
机器学习
2018-11-13 v1 机器人学
机器学习
摘要
本文提出一种在线监控框架，用于基于学习的控制系统（具体应用于无人地面车辆）中的连续实时安全/安保。我们监控从传感器输入到执行器命令的映射（控制器聚焦异常检测，CFAM），以及从执行器命令到传感器输入的映射（系统聚焦异常检测，SFAM）。CFAM是一个图像条件能量生成对抗网络（EBGAN），其中基于能量的判别器区分正常与异常的执行器命令。SFAM基于动作条件视频预测框架，以检测传感器数据预测与观测时间演化之间的异常。我们在室内环境的自治地面车辆与室外环境的Udacity数据集上展示了该方法的有效性。
引用
@article{arxiv.1811.04539,
title = {Adversarial Learning-Based On-Line Anomaly Monitoring for Assured Autonomy},
author = {Naman Patel and Apoorva Nandini Saridena and Anna Choromanska and Prashanth Krishnamurthy and Farshad Khorrami},
journal= {arXiv preprint arXiv:1811.04539},
year = {2018}
}
备注
Proceedings of the 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2018)