Model-based Validation as Probabilistic Inference

要約

障害全体の分布を推定することは、自律システムを検証する際の重要なステップです。
既存のアプローチは、狭い範囲の初期条件の故障を見つけることに重点を置いているか、テスト対象のシステムの特性について限定的な仮定を立てています。
ベイジアン推論として、逐次システムの故障軌跡にわたる分布の推定を組み立てます。
当社のモデルベースのアプローチは、システムダイナミクスのロールアウトを使用して故障軌跡全体の分布を表し、自動微分を使用して軌跡の勾配を計算します。
私たちのアプローチは、倒立振子制御システム、自動運転車両シナリオ、および部分的に観測可能な月着陸船で実証されています。
サンプリングは、複数のチェーンを備えたハミルトニアン モンテカルロの既製の実装を使用して実行され、安全な軌道のためのマルチモダリティと勾配平滑化をキャプチャします。
すべての実験において、ブラックボックスベースラインアプローチと比較して、サンプル効率とパラメータ空間範囲の改善が観察されました。
この作品はオープンソースです。

要約(オリジナル)

Estimating the distribution over failures is a key step in validating autonomous systems. Existing approaches focus on finding failures for a small range of initial conditions or make restrictive assumptions about the properties of the system under test. We frame estimating the distribution over failure trajectories for sequential systems as Bayesian inference. Our model-based approach represents the distribution over failure trajectories using rollouts of system dynamics and computes trajectory gradients using automatic differentiation. Our approach is demonstrated in an inverted pendulum control system, an autonomous vehicle driving scenario, and a partially observable lunar lander. Sampling is performed using an off-the-shelf implementation of Hamiltonian Monte Carlo with multiple chains to capture multimodality and gradient smoothing for safe trajectories. In all experiments, we observed improvements in sample efficiency and parameter space coverage compared to black-box baseline approaches. This work is open sourced.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google