Data-Driven Modeling and Verification of Perception-Based Autonomous Systems

要約

この論文では、知覚ベースの自律システムのデータ駆動型モデリングと検証の問題について取り上げます。
知覚モデルは、標準モデル (第一原理またはシミュレータから取得) と、実際の環境によって導入された測定ノイズを含むノイズ モデルに分解できると仮定します。
私たちは、良性ノイズと敵対的ノイズという 2 つのタイプのノイズに焦点を当て、それぞれ生成モデルと分類器を使用して、各タイプのデータ駆動型モデルを開発します。
トレーニングされたモデルが、状態推定や制御などの下流タスクに基づくさまざまな評価指標に従って良好にパフォーマンスすることを示します。
最後に、高次元データ駆動モデルを使用した 2 つのシステムの安全性を検証します。1 つは画像ベースのマウンテンカー (強化学習ベンチマーク) と、LiDAR 測定を使用してレースをナビゲートする F1/10 カーです。
追跡。

要約(オリジナル)

This paper addresses the problem of data-driven modeling and verification of perception-based autonomous systems. We assume the perception model can be decomposed into a canonical model (obtained from first principles or a simulator) and a noise model that contains the measurement noise introduced by the real environment. We focus on two types of noise, benign and adversarial noise, and develop a data-driven model for each type using generative models and classifiers, respectively. We show that the trained models perform well according to a variety of evaluation metrics based on downstream tasks such as state estimation and control. Finally, we verify the safety of two systems with high-dimensional data-driven models, namely an image-based version of mountain car (a reinforcement learning benchmark) as well as the F1/10 car, which uses LiDAR measurements to navigate a racing track.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google