Diffusion-Based Failure Sampling for Cyber-Physical Systems

要約

ロボット工学などの高次元領域におけるセーフティ クリティカルな自律システムの検証には、大きな課題が伴います。
マルコフ連鎖モンテカルロに基づく既存のブラックボックス アプローチでは、膨大な数のサンプルが必要となる場合がありますが、重要度サンプリングに基づく方法は、多くの場合、故障全体の分布を表現するのに苦労する可能性がある単純なパラメトリック ファミリに依存します。
条件付きノイズ除去拡散モデルを使用して、障害全体の分布をサンプリングすることを提案します。このモデルは、ロボットのタスク計画などの複雑な高次元の問題で成功を示しています。
拡散モデルを繰り返しトレーニングして、故障に近づく状態の軌跡を生成します。
私たちは、高次元のロボット検証タスクに対するアプローチの有効性を実証し、既存のブラックボックス技術と比較してサンプル効率とモードカバレッジを向上させます。

要約(オリジナル)

Validating safety-critical autonomous systems in high-dimensional domains such as robotics presents a significant challenge. Existing black-box approaches based on Markov chain Monte Carlo may require an enormous number of samples, while methods based on importance sampling often rely on simple parametric families that may struggle to represent the distribution over failures. We propose to sample the distribution over failures using a conditional denoising diffusion model, which has shown success in complex high-dimensional problems such as robotic task planning. We iteratively train a diffusion model to produce state trajectories closer to failure. We demonstrate the effectiveness of our approach on high-dimensional robotic validation tasks, improving sample efficiency and mode coverage compared to existing black-box techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google