SAVME: Efficient Safety Validation for Autonomous Systems Using Meta-Learning

要約

導入前に自律システムの潜在的な障害を発見することが重要です。
このようなシステムの安全性を評価するために改ざんベースの方法がよく使用されますが、多くの正確なシミュレーションを実行するにはコストが高くなる可能性があります。
テスト対象のシステムの重大な障害シナリオを特定し、シミュレーションの実行時間を短縮することで、検証を加速できます。
我々は、メタ学習戦略をマルチアームバンディットフレームワークと統合するベイジアンアプローチを提案します。
私たちの方法には、テスト対象のシステムで障害を引き起こしやすいシナリオ パラメーターにわたる分布と、高速で正確なシミュレーションを可能にする忠実度設定にわたる分布を学習することが含まれます。
メタ学習の精神で、学習された忠実度設定の分布によって、新しいシナリオのシナリオ パラメーター分布の学習が迅速化されるかどうかも評価します。
カメラと LIDAR センサーを含む自動運転車スタックの 16 の忠実度設定を組み込んだ、最先端の 3D ドライビング シミュレーターを使用した方法論を紹介します。
私たちは、自動運転車のプリクラッシュ類型論に基づいてさまざまなシナリオを評価します。
その結果、私たちのアプローチは、高忠実度シミュレータのみに依存する従来の方法と比較して、最大 18 倍という大幅な高速化を実現します。

要約(オリジナル)

Discovering potential failures of an autonomous system is important prior to deployment. Falsification-based methods are often used to assess the safety of such systems, but the cost of running many accurate simulation can be high. The validation can be accelerated by identifying critical failure scenarios for the system under test and by reducing the simulation runtime. We propose a Bayesian approach that integrates meta-learning strategies with a multi-armed bandit framework. Our method involves learning distributions over scenario parameters that are prone to triggering failures in the system under test, as well as a distribution over fidelity settings that enable fast and accurate simulations. In the spirit of meta-learning, we also assess whether the learned fidelity settings distribution facilitates faster learning of the scenario parameter distributions for new scenarios. We showcase our methodology using a cutting-edge 3D driving simulator, incorporating 16 fidelity settings for an autonomous vehicle stack that includes camera and lidar sensors. We evaluate various scenarios based on an autonomous vehicle pre-crash typology. As a result, our approach achieves a significant speedup, up to 18 times faster compared to traditional methods that solely rely on a high-fidelity simulator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google