在蒙特卡罗树搜索中利用混合关键性约束不确定性
系统与控制
2024-07-18 v1 系统与控制
摘要
在嵌入式系统领域，优化面临多资源不确定成本的行为决策是一项复杂挑战。现有方法包括基于蒙特卡罗树搜索(MCTS)的计划构建，这种方法在多场景在线规划中表现良好。然而，这些方法往往忽视最坊情况下成本估计的不确定性。当实际成本超过乐观的最坊情况下估计时，系统可能在实现关键目标之前就失败运行。相反，基于悲观最坊情况下估计的系统将导致资源过度配置，即使针对次要关键目标亦如此。为解决类似问题，混合关键性(MC)方法在实时系统社区中得到发展。本文提出三方面的 MCTS 启发式扩展：首先，我们将 MC 概念重新表述以处理不确定的最坊情况下成本。高关键性任务必须在其不确定成本下执行；低关键性任务可以在低关键性模式下利用资源达到其乐观最坊情况下估计，或在高关键性模式下通过降级执行，或在资源紧张时被丢弃。其次，虽然 MC 方法最初是为实时系统开发的，主要关注最坊情况下执行时间作为唯一不确定资源，但我们的扩展将资源概念扩展到一次处理多个资源，例如执行某项操作所需的时间和能源。最后，我们提出一种结合 MC 概念的 MCTS 扩展，称为 ，以有效调整根据操作关键性对不确定成本的资源分配。我们在主动感知场景中展示了我们的方案。我们的评估表明，无论最坊情况下估计是乐观还是悲观， 均优于传统 MCTS。
引用
@article{arxiv.2407.12564,
title = {Shackling Uncertainty using Mixed Criticality in Monte-Carlo Tree Search},
author = {Franco Cordeiro and Samuel Tardieu and Laurent Pautet},
journal= {arXiv preprint arXiv:2407.12564},
year = {2024}
}