基于学习的控制器通过多保真度贝叶斯优化的伪证生成

基于仿真的伪证生成是一种实用的测试方法，用于增强系统满足安全性要求的信心。由于全保真度仿真可能计算开销巨大，我们研究了使用具有不同保真度级别的仿真器。作为第一步，我们根据环境参数表达整体安全规范，并将该安全规范构建为一个优化问题。我们提出了一种使用贝叶斯优化的多保真度伪证框架，该框架能够确定应在何种保真度级别进行安全评估，并找出环境中可能导致系统失效的实例。该方法使我们能够以经济高效的方式，在来自低保真度仿真器的廉价但不准确的信息与来自高保真度仿真器的昂贵但准确的信息之间自动切换。我们在多种仿真环境中的实验表明，多保真度贝叶斯优化具有与单保真度贝叶斯优化相当的伪证性能，但成本大幅降低。