利用污点分析与强化学习（TARL）修复自主机器人软件
机器人学
2020-05-11 v1 软件工程
摘要
能够为自主系统建立形式化性能界是很重要的。然而，形式化验证技术需要系统运行环境的模型；这对自主系统而言是一项挑战，尤其是那些预期在较长时间尺度上运行的系统。本文描述了正在进行的工作，旨在对为先验部分已知且可能不正确的环境模型编写的基于 ROS 的自主机器人软件实现监控与修复的自动化。采用污点分析方法自动提取从输入话题到发布话题的数据流序列，并对该代码进行插桩。计算了一种独特的 MDP 效用的强化学习近似，这是对软件设计者固有目标的一种经验性、非侵入性的刻画。通过将离线（先验）效用与在线（已部署系统）效用进行比较，我们以一个小而真实的 ROS 示例表明，监控某项性能准则并将该准则的违例关联到软件的部分模块是可能的。随后利用自动化软件修复技术对该软件打补丁，并针对原始离线效用进行评估。
引用
@article{arxiv.2005.03813,
title = {Using Taint Analysis and Reinforcement Learning (TARL) to Repair Autonomous Robot Software},
author = {D. M. Lyons and S. Zahra},
journal= {arXiv preprint arXiv:2005.03813},
year = {2020}
}
备注
IEEE Workshop on Assured IEEE Workshop on Assured Autonomous Systems, May, 2020