Safe Perception-Based Control under Stochastic Sensor Uncertainty using Conformal Prediction

要約

学習可能な知覚マップを介した高次元センサー測定から得られる状態推定を使用して、知覚ベースの制御を検討します。
ただし、これらの認識マップは完全ではなく、状態推定エラーが発生し、システムの安全でない動作につながる可能性があります。
確率的なセンサーのノイズは問題を悪化させ、未知の分布に従う推定誤差を引き起こす可能性があります。
我々は、i) 知覚マップの推定の不確実性を定量化し、ii) これらの不確実性の表現を制御設計に統合する、知覚ベースの制御フレームワークを提案します。
これを行うために、等角予測を使用して、高確率で未知の状態を含むセットである有効な状態推定領域を計算します。
次に、測定ロバスト制御バリア関数の概念に基づいて、連続時間システム用のサンプル データ コントローラーを考案します。
私たちのコントローラーはセルフトリガー制御のアイデアを使用しており、確率微積分の使用を回避できます。
私たちのフレームワークは、知覚マップの選択にとらわれず、ノイズ分布とは無関係であり、私たちの知る限りでは、そのような環境で確率論的な安全保証を提供するのは初めてです。
私たちは、LiDAR 対応の F1/10 車両向けに提案した知覚ベースのコントローラーの有効性を実証します。

要約(オリジナル)

We consider perception-based control using state estimates that are obtained from high-dimensional sensor measurements via learning-enabled perception maps. However, these perception maps are not perfect and result in state estimation errors that can lead to unsafe system behavior. Stochastic sensor noise can make matters worse and result in estimation errors that follow unknown distributions. We propose a perception-based control framework that i) quantifies estimation uncertainty of perception maps, and ii) integrates these uncertainty representations into the control design. To do so, we use conformal prediction to compute valid state estimation regions, which are sets that contain the unknown state with high probability. We then devise a sampled-data controller for continuous-time systems based on the notion of measurement robust control barrier functions. Our controller uses idea from self-triggered control and enables us to avoid using stochastic calculus. Our framework is agnostic to the choice of the perception map, independent of the noise distribution, and to the best of our knowledge the first to provide probabilistic safety guarantees in such a setting. We demonstrate the effectiveness of our proposed perception-based controller for a LiDAR-enabled F1/10th car.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google