面向视觉安全控制滤波器的集成学习

控制系统中的安全滤波器纠正违反安全约束的名义控制。设计作为视觉观察函数的此类滤波器，在不确定和复杂的环境中具有挑战性。最近提出了几种基于深度学习的解决方法。然而，目前尚无法形式化地验证所学滤波器是否满足保证系统安全的关键属性。本文受强化学习中集成方法成功的启发，经验性地研究了集成方法在提高此类滤波器准确性和外分布推理方面的有效性，作为更可靠滤波器的一步。我们实验使用多样化的预训练视觉表示模型作为滤波器主干，测试各种训练方法和输出聚合技术。我们将不同配置的集成与其各自成员模型以及大型单模型基线进行比较，评估其在DeepAccident数据集中区分安全与不安全状态和控制的性能。我们的实验结果表明，多样化的集成在状态和控制分类准确率方面优于单个模型。