面向高维不确定性的测试：基于深度重要性采样的自动驾驶车辆加速评估
机器学习
2022-04-07 v2 机器人学
统计方法学
摘要
在自然驾驶场景下高精度评估自动驾驶车辆（AV）及其复杂子系统的性能仍是一项挑战，尤其在失效或危险情形较为罕见时。罕见性不仅要求朴素方法使用海量样本才能实现高置信度估计，还会导致对真实失效率的危险低估且极难察觉。同时，带有正确性保证的最先进方法只能在某些条件下计算失效率的上界，这限制了其实用性。本工作中，我们提出深度重要性采样（Deep IS）框架，利用深度神经网络获得高效的重要性采样（IS），其与最先进方法相当，能够将所需样本量降至朴素采样方法的 1/43 即可达到 10% 相对误差，且给出的估计远不那么保守。我们针对某最先进交通标志分类器的误分类率进行的高维实验进一步表明，即便目标概率极小时该效率依然成立，实现了超过 600 倍的效率提升。这凸显了 Deep IS 即便面对高维不确定性也能提供精确估计的潜力。
引用
@article{arxiv.2204.02351,
title = {Test Against High-Dimensional Uncertainties: Accelerated Evaluation of Autonomous Vehicles with Deep Importance Sampling},
author = {Mansur Arief and Zhepeng Cen and Zhenyuan Liu and Zhiyuang Huang and Henry Lam and Bo Li and Ding Zhao},
journal= {arXiv preprint arXiv:2204.02351},
year = {2022}
}