面向自主系统动态保障的风险感知场景采样
机器人学
2022-03-01 v1 人工智能
机器学习
摘要
自主信息物理系统常需在传感器退化与运行条件偏移等不确定性下运行,这增加了其运行风险。这些系统的动态保障需要设计运行时安全组件,如分布外检测器与风险估计器,它们需要来自系统不同运行模式的标注数据,这些数据属于具有不利运行条件、传感器与执行器故障的场景。收集这些场景的真实世界数据可能代价高昂,有时甚至不可行。因此,带有随机与网格搜索等采样器的场景描述语言可用于从仿真器生成合成数据,以复现这些真实世界场景。然而,我们指出使用这些传统采样器的三个局限。第一,它们是被动采样器,在采样过程中未利用先前结果的反馈。第二,待采样变量可能具有常被忽略的约束。第三,它们未平衡探索与利用的权衡,我们假设该权衡对更好的搜索空间覆盖是必要的。我们提出一种带有两个采样器的场景生成方法,称为随机邻域搜索(RNS)与引导贝叶斯优化(GBO),它们扩展了传统随机搜索与贝叶斯优化搜索以纳入上述局限。此外,为便于采样,我们使用基于风险的度量来评估场景对系统的风险程度。我们在CARLA仿真中使用自动驾驶车辆示例演示了我们的方法。为评估采样器,我们将其与随机搜索、网格搜索与Halton序列搜索基线比较。我们的RNS与GBO采样器分别采样到83%与92%的高风险场景,而网格、随机与Halton采样器分别为56%、66%与71%。
引用
@article{arxiv.2202.13510,
title = {Risk-Aware Scene Sampling for Dynamic Assurance of Autonomous Systems},
author = {Shreyas Ramakrishna and Baiting Luo and Yogesh Barve and Gabor Karsai and Abhishek Dubey},
journal= {arXiv preprint arXiv:2202.13510},
year = {2022}
}
备注
Paper Accepted at ICAA 2022