RADIUM：使用梯度加速采样预测与修复端到端机器人故障
机器人学
2024-04-05 v1
摘要
在自主系统被部署于安全关键应用之前，我们必须能够理解和验证这些系统的安全性。对于真实世界测试风险或成本过高的情况，我们提出了一个基于仿真的框架，用于 a) 预测自主系统可能发生故障的方式，以及 b) 自动调整系统的设计和控制策略，以预先缓解这些故障。现有的故障预测工具难以搜索高维环境参数，无法高效处理具有视觉闭环系统的端到端测试，并且在发现故障后对如何缓解故障提供的指导有限。我们通过近似贝叶斯推断的视角来处理这一问题，并使用可微仿真和渲染进行高效的故障案例预测与修复。对于没有可微仿真器的情况，我们提供了算法的无梯度版本，并对基于梯度和无梯度方法之间的权衡进行了理论和实证评估。我们将该方法应用于一系列机器人和控制问题，包括优化机器人集群的搜索模式、无人机编队控制以及鲁棒网络控制。与基于优化的证伪方法相比，我们的方法预测了更多样、更具代表性的故障模式集，并且我们发现，相对于无梯度技术，我们使用可微仿真产生的解成本最多降低10倍，且收敛所需的迭代次数最多减少2倍。在硬件实验中，我们发现使用我们的方法修复控制策略可使鲁棒性提升5倍。配套代码和视频可在 https://mit-realm.github.io/radium/ 找到。
引用
@article{arxiv.2404.03412,
title = {RADIUM: Predicting and Repairing End-to-End Robot Failures using Gradient-Accelerated Sampling},
author = {Charles Dawson and Anjali Parashar and Chuchu Fan},
journal= {arXiv preprint arXiv:2404.03412},
year = {2024}
}