Mar, 2023

自主机器人的鲁棒验证的贝叶斯学习

PDF
TL;DR利用 Bayesian learning 的框架进行 runtime verification，以验证在不确定环境中执行的关键任务的自主机器人，将这些方法应用于水下基础设施的检查和维修的自主机器人任务的验证案例研究中。
bayesian learningruntime verificationautonomous robotsinterval continuous-time markov modelsquantitative verification
发现论文，激发创造
  • 在极端环境中部署机器人的概率模型检查

    本文介绍了一个用于验证机器人安全和可靠性需求的概率模型检查框架，并使用两种新型估计器（基于保守贝叶斯推断和不精确概率模型）从实际操作数据中学习未知的转移参数。在极端环境下的无人潜水器实际部署数据上演示了该方法。

    Dec, 2018

  • 基于模型的验证作为概率推理

    使用基于贝叶斯推断的模型方法来估计序列系统的失效轨迹，使用自动微分计算轨迹梯度并使用 Hamiltonian Monte Carlo 采样方法进行多模式捕捉和平滑处理，该方法在自主驾驶车辆、倒置摆控制系统和部分可观察月球着陆器实现，结果显示在样本效率和参数空间覆盖率方面比黑盒子基线方法有所改进，此方法已开放源代码。

    May, 2023

  • 学习感知交互式自主安全性

    为了确保机器人等自主车辆的广泛部署，本文提出了一种新的闭环范式用于综合安全控制策略，明确考虑系统在可能的未来情景下的演变不确定性，通过物理动力学和机器人的学习算法共同推理，利用对抗深度强化学习进行放大，展示了该框架能够处理贝叶斯信念传播和大规模预训练神经轨迹预测模型引起的隐式学习。

    Sep, 2023

  • 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

  • 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

  • 可靠无线人工智能的强鲁棒贝叶斯学习：框架和应用

    本文通过可靠性和鲁棒性的视角，对传统机器学习方法在无线通信问题上的应用进行了批判性的探究。同时，还介绍了一种鲁棒贝叶斯学习框架，并展示了该框架在准确性，校准性以及鲁棒性等方面在无线通信重要问题中的应用优势。

    Jul, 2022

  • 基于贝叶斯优化的安全导航在本地化不确定性下的应用

    本文介绍了一种基于高斯过程模型的贝叶斯优化方法，能更好的识别安全的地形，解决了移动机器人在荒野独立行走中的定位不确定性问题。

    Sep, 2017

  • 深度强化学习控制的机器人和自主系统的可达性验证的可靠性评估

    本文提出了一个用于 DRL 控制的机器人和自主系统的可靠性评估框架，并利用形式可靠性分析生成的验证证据，验证了其安全性。

    Oct, 2022

  • 端到端自动驾驶控制的统计保证下的不确定性量化

    本论文提出了一种基于最先进的模拟器的框架，以评估端到端 Bayesian 控制器，实验评估了不同场景下用于避碰的不确定性计算的质量并表明不确定性估计可大大帮助自动驾驶车辆的决策。

    Sep, 2019

  • 面向不确定机器人系统的基于学习的控制一般安全框架

    这篇研究论文就如何在机器人系统的学习过程中保证安全性提出了一种新的框架，综合运用了学习控制方法、Hamilton-Jacobi 可达性方法和贝叶斯机制，通过概率和最坏情况分析提供了理论安全保障，并在四旋翼飞行器上实验室验证了其有效性。

    May, 2017