Feb, 2022

面向风险感知的场景采样，用于保证自主系统的动态性

HTML
PDF
TL;DR本文提出两种场景生成方法：Random Neighborhood Search（RNS）和Guided Bayesian Optimization（GBO），用于生成保证Autonomous Cyber-Physical Systems安全的并具有高风险场景的合成数据，通过实验结果表明，在CARLA仿真环境下，RNS和GBO采样的高风险场景占比达83%和92%，比网格搜索、随机搜索和Halton序列搜索提高了近一倍。
发现论文，激发创造
  • 通过罕见事件模拟实现可扩展的自动驾驶汽车端到端测试

    开发了一种模拟框架，使用深度学习感知和控制算法来测试现代自动驾驶系统，通过自适应重要性采样方法来估计基于标准交通行为的意外概率，相对于蒙特卡洛抽样，可以提速2-20倍，并且比真实道路测试快10-300倍（P为处理器数量）。

    Oct, 2018

  • 从操作测试中评估安全关键系统：自动驾驶汽车研究

    使用保守贝叶斯推断方法，探讨从技术层面如何评估自动驾驶系统，维护其高可靠性和安全性。

    Aug, 2020

  • 神经桥抽样用于评估安全关键自主系统

    本文提出了一种基于概率方法的安全性评估模拟方法，能够快速地对危险事件进行探测和评估，并证明了方法在统计和计算效率方面的优越性，最后在多种场景下进行了测试，证明了该方法对于开发和测试安全关键自主系统的敏感性分析和模型比较的重要性。

    Aug, 2020

  • Scenic: 用于场景规格和数据生成的语言

    介绍了一种基于概率编程语言的开发和分析方法，特别用于基于机器学习的物联网系统，提出了一种基于Scenic的分布式场景和环境模型的领域特定语言，并在卷积神经网络中进行了应用。

    Oct, 2020

  • 自动驾驶车辆安全测试场景的生成和特征描述

    使用现代化驾驶模拟器，提出检测和生成测试方案的有效机制，通过量化方案复杂度的度量标准来定义基于避免事故的复杂度度量标准，并对未来的自动驾驶车辆进行改进提供了洞见。

    Mar, 2021

  • 基于样本的凸型风险衡量上、下界： 政策合成和验证应用

    本文提出了一种基于样本的方法来解决固有于自主系统中变化环境的风险问题，能够生成高置信度的验证声明和快速合成保证实现最低系统性能的风险感知策略，并在仿真中验证了一种多主体协作系统和其风险感知控制器的优越性能。

    Apr, 2022

  • SAVME: 使用元学习实现自主系统的高效安全验证

    我们提出了一种贝叶斯方法，将元学习策略与多臂老虎机框架相结合，以加速自动系统的故障检测、减少模拟运行时间，并通过学习参数和准确模拟的分布来评估新场景中的学习速度。通过在先进的3D驾驶模拟器中应用16个保真设置来展示我们的方法，以评估基于自动化车辆事故前个体的各种场景，结果表明与仅依赖于高保真模拟器的传统方法相比，我们的方法加快了模拟速度，最多高出18倍。

    Sep, 2023

  • 基于扩散的故障采样技术对于网络物理系统

    在高维领域中验证安全关键的自主系统（如机器人）是一个重大挑战。我们提出使用条件降噪扩散模型对故障分布进行采样，并经验证在高维机器人验证任务中相比现有的黑盒技术，能够提高采样效率和模态覆盖。

    Jun, 2024

  • 用情景程序查询标记时序数据

    确保自动驾驶车辆在道路上的安全性，模拟测试已成为道路测试的重要补充，其中对于验证AV行为是否与预期结果一致的需求与日俱增。本研究提出一种验证模拟时间序列故障与真实世界时间序列传感器数据一致性的方法，通过从真实世界时间序列数据集中检索故障场景实例，并定义了匹配的形式。实验证明了算法在具有挑战性和不常见的时间序列场景上的精确性和可扩展性，并提供了可在各种CPS中使用的查询算法的完整系统实现。

    Jun, 2024

  • 安全关键场景下风险感知车辆轨迹预测

    该研究提出了一种针对安全关键场景的风险感知轨迹预测框架，通过引入风险信息和预测优先级，以及实施辅助风险预测任务，实现了在安全关键场景下执行正确的碰撞回避操纵，从而提高道路交通安全。

    Jul, 2024