使用生成式 AI 模型在时变环境中生成用于最小暴露导航的合成数据
机器学习
2025-03-11 v1 系统与控制
系统与控制
摘要
我们研究了自动驾驶车辆导航中环境特征样本的合成生成问题。这些特征由我们称为威胁场的时空变化标量场描述。已知该威胁场具有受过程噪声影响的某些底层动力学。此外，还有各种威胁场观测的一些“真实世界”数据可用。假设“真实世界”数据量相对较小。目标是合成在统计上与数据相似的样本。提出的解决方案是一种生成式人工智能模型，我们将其称为分裂变分循环神经网络（S-VRNN）。S-VRNN 融合了变分自编码器（一种广泛使用的生成模型）和循环神经网络（用于学习数据中的时间依赖性）的能力。这项工作的主要创新在于我们将 S-VRNN 的潜在空间划分为两个子空间。一个子空间中的潜在变量使用“真实世界”数据学习，而另一个子空间中的潜在变量则使用数据以及已知的底层系统动力学进行学习。通过数值实验，我们证明了所提出的 S-VRNN 能够合成在统计上与训练数据相似的数据，即使在“真实世界”训练数据量非常少的情况下也是如此。
引用
@article{arxiv.2503.06619,
title = {Synthetic Data Generation for Minimum-Exposure Navigation in a Time-Varying Environment using Generative AI Models},
author = {Nachiket U. Bapat and Randy C. Paffenroth and Raghvendra V. Cowlagi},
journal= {arXiv preprint arXiv:2503.06619},
year = {2025}
}
备注
Accepted for 2025 ECC