Online Controller Synthesis for Robot Collision Avoidance: A Case Study

要約

動的環境の固有の不確実性は、特に衝突回避などのタスクにおいて、ロボットの動作をモデル化するための重要な課題をもたらします。
このペーパーでは、ディストリビューションのシフトに取り組むことに焦点を当てた、ディープラーニングベースの認識コンポーネントを装備したロボットに合わせたオンラインコントローラー合成フレームワークを紹介します。
私たちのアプローチは、深いニューラルネットワーク認識コンポーネントの定期的な監視と修復メカニズムを統合し、その後に不確実性の再評価を統合します。
これらの不確実性評価は、パラメトリック離散時間マルコフチェーンに注入され、確率的モデルチェックを介して堅牢なコントローラーの合成を可能にします。
修理プロセス中に高いシステムの可用性を確保するために、運用状態間でシームレスに遷移するデュアルコンポーネント構成を提案します。
ロボットの衝突回避に関するケーススタディを通じて、私たちの方法の有効性を実証し、ベースラインアプローチよりも実質的なパフォーマンスの改善を示します。
この作業は、不確実な環境で動作する自律システムの安全性と信頼性を高めるための包括的なスケーラブルなソリューションを提供します。

要約(オリジナル)

The inherent uncertainty of dynamic environments poses significant challenges for modeling robot behavior, particularly in tasks such as collision avoidance. This paper presents an online controller synthesis framework tailored for robots equipped with deep learning-based perception components, with a focus on addressing distribution shifts. Our approach integrates periodic monitoring and repair mechanisms for the deep neural network perception component, followed by uncertainty reassessment. These uncertainty evaluations are injected into a parametric discrete-time markov chain, enabling the synthesis of robust controllers via probabilistic model checking. To ensure high system availability during the repair process, we propose a dual-component configuration that seamlessly transitions between operational states. Through a case study on robot collision avoidance, we demonstrate the efficacy of our method, showcasing substantial performance improvements over baseline approaches. This work provides a comprehensive and scalable solution for enhancing the safety and reliability of autonomous systems operating in uncertain environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google