Bayesian Learning for the Robust Verification of Autonomous Robots

要約

インフラ点検、宇宙探査、その他の重要なミッションで使用される自律型ロボットは、非常に動的な環境で動作します。
そのため、これらのミッションに関連するタスクを安全かつ効果的に完了する能力を継続的に検証する必要があります。
ここでは、自律ロボットの実行時検証を可能にするベイジアン学習フレームワークを紹介します。
このフレームワークは、事前の知識と検証されたロボットの観察を使用して、定期的および特異的な（壊滅的な故障など）イベントの発生率の予想範囲を学習します。
これらの範囲を使用して定義された間隔連続時間マルコフ モデルが分析され、ミッション期間や成功確率などのシステム プロパティの変動の予想間隔が取得されます。
このフレームワークを、水中インフラの検査と修理のための自律ロボットミッションに適用します。
論文で提示された正式な証明と実験は、私たちのフレームワークが多くの実世界のシステムに固有の不確実性を反映する結果を生成し、パラメトリックな不確実性の下でその定量的特性の堅牢な検証を可能にすることを示しています。

要約(オリジナル)

Autonomous robots used in infrastructure inspection, space exploration and other critical missions operate in highly dynamic environments. As such, they must continually verify their ability to complete the tasks associated with these missions safely and effectively. Here we present a Bayesian learning framework that enables this runtime verification of autonomous robots. The framework uses prior knowledge and observations of the verified robot to learn expected ranges for the occurrence rates of regular and singular (e.g., catastrophic failure) events. Interval continuous-time Markov models defined using these ranges are then analysed to obtain expected intervals of variation for system properties such as mission duration and success probability. We apply the framework to an autonomous robotic mission for underwater infrastructure inspection and repair. The formal proofs and experiments presented in the paper show that our framework produces results that reflect the uncertainty intrinsic to many real-world systems, enabling the robust verification of their quantitative properties under parametric uncertainty.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google