論文の概要: Monitoring and Diagnosability of Perception Systems
- arxiv url: http://arxiv.org/abs/2005.11816v3
- Date: Mon, 16 Nov 2020 16:35:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 13:50:02.438445
- Title: Monitoring and Diagnosability of Perception Systems
- Title（参考訳）: 知覚システムのモニタリングと診断可能性
- Authors: Pasquale Antonante, David I. Spivak, Luca Carlone
- Abstract要約: 知覚は、ロボット工学や自動運転車などの自律システムの高統合的応用において重要な要素である。
知覚システムの重要さにもかかわらず、システムレベルのモニタリングには正式なアプローチは存在しない。
本稿では,認識システムの実行時モニタリングと故障検出のための数学的モデルを提案する。
- 参考スコア（独自算出の注目度）: 21.25149064251918
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Perception is a critical component of high-integrity applications of robotics
and autonomous systems, such as self-driving cars. In these applications,
failure of perception systems may put human life at risk, and a broad adoption
of these technologies relies on the development of methodologies to guarantee
and monitor safe operation as well as detect and mitigate failures. Despite the
paramount importance of perception systems, currently there is no formal
approach for system-level monitoring. In this work, we propose a mathematical
model for runtime monitoring and fault detection of perception systems. Towards
this goal, we draw connections with the literature on self-diagnosability for
multiprocessor systems, and generalize it to (i) account for modules with
heterogeneous outputs, and (ii) add a temporal dimension to the problem, which
is crucial to model realistic perception systems where modules interact over
time. This contribution results in a graph-theoretic approach that, given a
perception system, is able to detect faults at runtime and allows computing an
upper-bound on the number of faulty modules that can be detected. Our second
contribution is to show that the proposed monitoring approach can be elegantly
described with the language of topos theory, which allows formulating
diagnosability over arbitrary time intervals.
- Abstract（参考訳）: 認知は、自動運転車のようなロボットや自律システムにおける高統合性応用の重要な要素である。
これらのアプリケーションでは、認識システムの障害が人間の生命を危険にさらす可能性があり、これらの技術の広範な採用は、安全な操作の保証と監視、障害の検出と緩和のための方法論の開発に依存している。
知覚システムの重要性は高いが、現在のシステムレベルの監視には正式なアプローチはない。
本研究では,知覚システムのランタイム監視と障害検出のための数学的モデルを提案する。
この目的に向けて,マルチプロセッサシステムの自己診断可能性に関する文献とのつながりを描き,それを一般化する。
(i)不均質な出力を持つモジュールを勘定し、
(ii)問題に時間次元を加えることは,モジュールが時間とともに相互作用する現実的な知覚系のモデル化に不可欠である。
この貢献により、知覚系が与えられた場合、実行時に障害を検出し、検出可能な欠陥モジュールの数に基づいて上限を計算できるグラフ理論のアプローチがもたらされる。
第2のコントリビューションは、任意の時間間隔における診断可能性の定式化を可能にするトポス理論の言語で、提案したモニタリング手法をエレガントに記述できることである。
関連論文リスト
- A Data Mining-Based Dynamical Anomaly Detection Method for Integrating with an Advance Metering System [0.0]
建設事業は総消費電力の30%を消費し、世界の電力関連排出量の26%に寄与している。
本研究は、メーターレベルの異常を検出するための教師なしアプローチと教師なしアプローチの両方について検討する。
このシステムは、メーターレベルの異常をリアルタイムに検出するように設計されている。
論文 参考訳（メタデータ） (2024-05-04T05:26:13Z) - Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。
このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。
本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
論文 参考訳（メタデータ） (2024-02-07T21:58:40Z) - Detecting and Mitigating System-Level Anomalies of Vision-Based Controllers [7.095058159492494]
ビジョンベースのコントローラは、新規またはアウト・オブ・ディストリビューションの入力に直面したとき、誤った予測を行うことができる。
本研究では,そのような閉ループ,システムレベルの障害を検知・緩和する実行時異常モニタを提案する。
本提案手法は, 視覚に基づくタクシー制御システムを用いた自律型航空機タクシーシステムにおいて, 提案手法の有効性を検証したものである。
論文 参考訳（メタデータ） (2023-09-23T20:33:38Z) - Don't Treat the Symptom, Find the Cause! Efficient
Artificial-Intelligence Methods for (Interactive) Debugging [0.0]
現代の世界では、私たちは、より高度な洗練のシステムに常用し、活用し、交流し、頼りにしています。
本論では、モデルに基づく診断の話題を紹介し、この分野の課題を指摘し、これらの課題に対処する研究からのアプローチの選択について論じる。
論文 参考訳（メタデータ） (2023-06-22T12:44:49Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳（メタデータ） (2022-08-30T20:16:17Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Monitoring of Perception Systems: Deterministic, Probabilistic, and
Learning-based Fault Detection and Identification [21.25149064251918]
認識システムにおけるランタイム障害検出と識別の問題を形式化する。
診断グラフを用いて故障検出と識別を行う,決定論的,確率的,学習ベースのアルゴリズムのセットを提供する。
本稿では,LGSVLオープンソース自律運転シミュレータにおいて,複数の現実的な故障モードを再現する実験的な評価を行った。
論文 参考訳（メタデータ） (2022-05-22T19:08:45Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳（メタデータ） (2021-07-28T10:28:05Z) - Monitoring and Diagnosability of Perception Systems [21.25149064251918]
本稿では,認識システムにおける実行時モニタリングと故障検出と識別のための数学的モデルを提案する。
本稿では,LGSVL自動運転シミュレータとApollo Auto自動運転ソフトウェアスタックを用いた実写シミュレーションにおいて,PerSySと呼ばれるモニタリングシステムを実演する。
論文 参考訳（メタデータ） (2020-11-11T23:03:14Z)
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。