基于速率信息的贝叶斯自适应多保真抽样发现
机器人学
2024-11-28 v1 机器学习
机器学习
摘要
确保自动驾驶车辆（AVs）的安全性既需要准确估计其性能，又需要高效发现潜在故障案例。本文引入贝叶斯自适应多保真抽样（Bayesian adaptive multifidelity sampling, BAMS），利用自适应贝叶斯抽样的优势，在高效发现潜在故障案例的同时，能够同时估计不良事件的发生率。BAMS优先探索可能存在低性能的区域，从而识别出传统方法可能忽略的新颖且关键的情境。我们使用真实的自动驾驶车辆数据演示，BAMS发现的故障问题数量是蒙特卡洛（MC）和重要抽样（importance sampling, IS）基线方法的10倍，同时生成的速率估计方差分别比MC和IS基线方法小15倍和6倍。
引用
@article{arxiv.2411.17826,
title = {Rate-Informed Discovery via Bayesian Adaptive Multifidelity Sampling},
author = {Aman Sinha and Payam Nikdel and Supratik Paul and Shimon Whiteson},
journal= {arXiv preprint arXiv:2411.17826},
year = {2024}
}
备注
Published at CoRL 2024: https://openreview.net/forum?id=bftFwjSJxk