面向学习型信息物理系统的动态加权 Simplex 策略
人工智能
2020-03-11 v3 机器人学
摘要
信息物理系统（CPS）日益开始使用学习型组件（LEC）执行基于感知的控制任务。其简单的设计方法以及持续学习的能力使其在各类自主应用中被广泛采用。尽管这些模型简单且能力惊人，却难以保证其安全性，这给其使用带来挑战。针对含不可信控制器的 CPS 的保证问题已借助 Simplex 架构实现。该架构将被保证系统与一安全控制器集成，并提供决策逻辑以切换这些控制器的决策。然而，使用 Simplex 架构的关键挑战在于：（1）设计有效决策逻辑；（2）控制器决策间突兀切换导致系统性能不一致。为应对这些研究挑战，我们作出三项关键贡献：（1）动态加权 simplex 策略——我们引入“加权 simplex 策略”作为经典 Simplex 架构的加权集成扩展，并给出基于强化学习的机制以寻找动态集成权重；（2）中间件框架——我们设计一个允许使用动态加权 simplex 策略并提供资源管理器以监控计算资源的框架；（3）硬件测试床——我们设计名为 DeepNNCar 的遥控车测试床以测试并演示上述关键概念。借助该硬件，我们表明动态加权 simplex 策略相较原始 LEC 驱动系统，在室内驾驶中偏离轨道事件（软约束违反）减少 60%，同时展现出高 0.4 m/s 的优化速度（性能）。
引用
@article{arxiv.1902.02432,
title = {Dynamic-Weighted Simplex Strategy for Learning Enabled Cyber Physical Systems},
author = {Shreyas Ramakrishna and Charles Hartsell and Matthew P Burruss and Gabor Karsai and Abhishek Dubey},
journal= {arXiv preprint arXiv:1902.02432},
year = {2020}
}