Adaptive Splitting of Reusable Temporal Monitors for Rare Traffic Violations

要約

自動運転車 (AV) は、安全仕様に違反する可能性を推定するためにシミュレーションでテストされることがよくあります。
既存の手法を使用してこの推定を行う場合、2 つの一般的な問題が発生します。違反がめったに発生しない場合、単純なモンテカルロ サンプリング手法では効率的な推定を生成できない可能性があります。
シミュレーション期間が長すぎると、重要度サンプリング手法 (過去のシミュレーションから提案分布を学習する) が収束しない可能性があります。
この文書では、稀なイベントのサンプリング手法とオンライン仕様監視アルゴリズムを交互に使用することで、両方の問題に対処します。
適応マルチレベル分割を使用してシミュレーションを部分的な軌道に分解し、信号時相論理 (STL) からの堅牢性メトリクスを活用して、それらの部分的な軌道が故障するまでの距離を計算します。
これらの部分的なロバストネス メトリック値をキャッシュすることにより、複数のサンプリング ステージにわたって計算を効率的に再利用できます。
州間の車線変更シナリオに関する実験では、私たちの方法がシミュレートされた AV パイプラインのテストに実行可能であり、実際の交通ルールに基づいて STL 仕様の障害確率を効率的に推定できることがわかりました。
モンテカルロよりも優れた推定値を生成し、少ないシミュレーションでサンプリングを重視します。

要約(オリジナル)

Autonomous Vehicles (AVs) are often tested in simulation to estimate the probability they will violate safety specifications. Two common issues arise when using existing techniques to produce this estimation: If violations occur rarely, simple Monte-Carlo sampling techniques can fail to produce efficient estimates; if simulation horizons are too long, importance sampling techniques (which learn proposal distributions from past simulations) can fail to converge. This paper addresses both issues by interleaving rare-event sampling techniques with online specification monitoring algorithms. We use adaptive multi-level splitting to decompose simulations into partial trajectories, then calculate the distance of those partial trajectories to failure by leveraging robustness metrics from Signal Temporal Logic (STL). By caching those partial robustness metric values, we can efficiently re-use computations across multiple sampling stages. Our experiments on an interstate lane-change scenario show our method is viable for testing simulated AV-pipelines, efficiently estimating failure probabilities for STL specifications based on real traffic rules. We produce better estimates than Monte-Carlo and importance sampling in fewer simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google