論文の概要: Formal Analysis and Redesign of a Neural Network-Based Aircraft Taxiing
System with VerifAI
- arxiv url: http://arxiv.org/abs/2005.07173v1
- Date: Thu, 14 May 2020 17:42:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 04:55:57.934473
- Title: Formal Analysis and Redesign of a Neural Network-Based Aircraft Taxiing
System with VerifAI
- Title(参考訳): VerifAIを用いたニューラルネットワークによる航空機税体系の形式解析と再設計
- Authors: Daniel J. Fremont, Johnathan Chiu, Dragos D. Margineantu, Denis
Osipychev, and Sanjit A. Seshia
- Abstract要約: VerifAIツールキットを用いた安全クリティカルな自律システムの厳密な設計に対する統一的なアプローチを示す。
VerifAIは、モデリング、ファルシフィケーション、MLコンポーネントの再トレーニングを含む、デザインプロセスにまたがるタスクのための統合ツールチェーンを提供する。
本研究は,ボーイング社が開発した無人航空機タクシー実験システムにおける産業ケーススタディにおいて,これらの応用のすべてを評価するものである。
- 参考スコア(独自算出の注目度): 5.920947681019465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We demonstrate a unified approach to rigorous design of safety-critical
autonomous systems using the VerifAI toolkit for formal analysis of AI-based
systems. VerifAI provides an integrated toolchain for tasks spanning the design
process, including modeling, falsification, debugging, and ML component
retraining. We evaluate all of these applications in an industrial case study
on an experimental autonomous aircraft taxiing system developed by Boeing,
which uses a neural network to track the centerline of a runway. We define
runway scenarios using the Scenic probabilistic programming language, and use
them to drive tests in the X-Plane flight simulator. We first perform
falsification, automatically finding environment conditions causing the system
to violate its specification by deviating significantly from the centerline (or
even leaving the runway entirely). Next, we use counterexample analysis to
identify distinct failure cases, and confirm their root causes with specialized
testing. Finally, we use the results of falsification and debugging to retrain
the network, eliminating several failure cases and improving the overall
performance of the closed-loop system.
- Abstract(参考訳): 本稿では,安全クリティカルな自律システムの厳密な設計への統一的アプローチをvelifaiツールキットを用いて実証する。
VerifAIは、モデリング、ファルシフィケーション、デバッグ、MLコンポーネントの再トレーニングを含む、デザインプロセスにまたがるタスクのための統合ツールチェーンを提供する。
滑走路の中央線をニューラルネットワークで追跡するboeingが開発した自律型無人航空機タクシーシステムに関する産業ケーススタディにおいて,これらすべての応用を評価した。
本研究では,Scanic Probabilistic Language を用いて滑走路シナリオを定義し,それを X-Plane 飛行シミュレータでテストする。
我々はまず、中心線からかなり逸脱(あるいは滑走路を完全に残す)することで、システムが仕様に違反している環境条件を自動的に見つける。
次に,反例分析を用いて,特定の障害事例を特定し,その根本原因を専門的なテストで確認する。
最後に、ファルシフィケーションとデバッギングの結果を用いてネットワークを再トレーニングし、いくつかの障害ケースを排除し、クローズドループシステム全体の性能を改善する。
関連論文リスト
- Automatic Generation of Scenarios for System-level Simulation-based
Verification of Autonomous Driving Systems [0.0]
本稿では,AIコンポーネントを用いた自律システムのシステムレベルのシミュレーションに基づくV&Vフレームワークについて述べる。
このフレームワークは、システムの振る舞いを象徴的に記述する抽象モデルであるシステムのシミュレーションモデルに基づいている。
シナリオの自動生成をガイドするために、さまざまなカバレッジ基準を定義することができます。
論文 参考訳(メタデータ) (2023-11-16T11:03:13Z) - PEM: Perception Error Model for Virtual Testing of Autonomous Vehicles [20.300846259643137]
この記事では、知覚エラーモデル(PEM)を定義します。
PEMは仮想シミュレーションコンポーネントであり、知覚誤差がAV安全性に与える影響を分析することができる。
我々は、カメラ、LiDAR、カメラ-LiDARのセットアップを評価することにより、PEMベースの仮想テストの有用性を実証する。
論文 参考訳(メタデータ) (2023-02-23T10:54:36Z) - Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。
これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。
提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
論文 参考訳(メタデータ) (2022-06-04T19:45:02Z) - Closed-Loop ACAS Xu NNCS is Unsafe: Quantized State Backreachability for
Verification [3.936762984207792]
ACAS Xuは無人航空機の空対空衝突回避システムである。
我々はACAS Xuの閉ループ近似を検証する手法を開発した。
論文 参考訳(メタデータ) (2022-01-17T20:49:29Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - Addressing the IEEE AV Test Challenge with Scenic and VerifAI [10.221093591444731]
本稿では,IEEE AVテストチャレンジのシミュレーションにおいて,自律走行車(AV)のテストに対する我々の公式なアプローチを要約する。
我々は,知的サイバー物理システムのための形式駆動型シミュレーションに関するこれまでの研究を生かした,系統的なテストフレームワークを実証する。
論文 参考訳(メタデータ) (2021-08-20T04:51:27Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Discovering Avoidable Planner Failures of Autonomous Vehicles using
Counterfactual Analysis in Behaviorally Diverse Simulation [16.86782673205523]
本稿では,行動学的に多様な交通参加者をシミュレートする上で,近年の進歩を生かしたプランナーテストフレームワークを提案する。
提案手法は,多岐にわたる重要な計画立案者の失敗を見出すことができることを示す。
論文 参考訳(メタデータ) (2020-11-24T09:44:23Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳(メタデータ) (2020-08-13T17:20:02Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。