Reachset-Conformant System Identification

要約

正式な検証技術は、複雑なサイバー物理システムの安全性を確保する上で極めて重要な役割を果たします。
モデルベースの検証結果を現実世界に転送するには、ターゲット システムの測定値が、対応するモデルの到達可能な出力セット内に存在する必要があります。これをリーチセット適合性と呼びます。
このペーパーでは、リーチセットに準拠したモデルを自動的に識別する方法について説明します。
最先端のリーチセット準拠識別手法は線形状態空間モデルに焦点を当てていますが、我々はこれらの手法を非線形状態空間モデルや線形および非線形入出力モデルに一般化します。
さらに、私たちの識別フレームワークは、システムのダイナミクスに関するさまざまなレベルの事前知識に適応します。
特に、ホワイトボックス モデルのモデル不確かさのセット、グレーボックス モデルのパラメータとモデル不確かさのセット、およびリーチセット準拠のブラックボックス モデル全体をデータから特定します。
ブラックボックスの識別のために、我々は、適合遺伝的プログラミングと呼ぶ、新しい遺伝的プログラミングのバリアントを提案します。
私たちのフレームワークの堅牢性と有効性は、シミュレートされたデータと実世界のデータを使用した広範な数値実験で実証されています。

要約(オリジナル)

Formal verification techniques play a pivotal role in ensuring the safety of complex cyber-physical systems. To transfer model-based verification results to the real world, we require that the measurements of the target system lie in the set of reachable outputs of the corresponding model, a property we refer to as reachset conformance. This paper is on automatically identifying those reachset-conformant models. While state-of-the-art reachset-conformant identification methods focus on linear state-space models, we generalize these methods to nonlinear state-space models and linear and nonlinear input-output models. Furthermore, our identification framework adapts to different levels of prior knowledge on the system dynamics. In particular, we identify the set of model uncertainties for white-box models, the parameters and the set of model uncertainties for gray-box models, and entire reachset-conformant black-box models from data. For the black-box identification, we propose a new genetic programming variant, which we call conformant genetic programming. The robustness and efficacy of our framework are demonstrated in extensive numerical experiments using simulated and real-world data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google