Bayesian Learning for the Robust Verification of Autonomous Robots

要約

不確実な環境で重要なミッションを実行する自律型ロボットのランタイム検証を可能にする、新しいベイジアン学習フレームワークを開発します。
私たちのフレームワークは、検証済みのロボット システムの事前の知識と観察を活用して、そのイベントの発生率の期待値の範囲を学習します。
システムの運用中に定期的に観測されるイベントと、突発的な障害や困難な 1 回限りのタスクの完了などの特異なイベントの両方をサポートします。
さらに、学習したイベントレート範囲を使用して間隔連続時間マルコフモデルを組み立て、これらのモデルに定量的検証を適用して、主要なシステムプロパティの予想変動間隔を計算します。
これらの間隔は、多くの実世界のシステムに固有の不確実性を反映しており、パラメトリックな不確実性の下での定量的特性の堅牢な検証を可能にします。
提案されたフレームワークを、水中インフラストラクチャの検査と修理のための自律型ロボット ミッションの検証のケース スタディに適用します。

要約(オリジナル)

We develop a novel Bayesian learning framework that enables the runtime verification of autonomous robots performing critical missions in uncertain environments. Our framework exploits prior knowledge and observations of the verified robotic system to learn expected ranges of values for the occurrence rates of its events. We support both events observed regularly during system operation, and singular events such as catastrophic failures or the completion of difficult one-off tasks. Furthermore, we use the learnt event-rate ranges to assemble interval continuous-time Markov models, and we apply quantitative verification to these models to compute expected intervals of variation for key system properties. These intervals reflect the uncertainty intrinsic to many real-world systems, enabling the robust verification of their quantitative properties under parametric uncertainty. We apply the proposed framework to the case study of verification of an autonomous robotic mission for underwater infrastructure inspection and repair.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google