論文の概要: Monitoring and Diagnosability of Perception Systems
- arxiv url: http://arxiv.org/abs/2011.07010v5
- Date: Sat, 16 Oct 2021 15:31:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:31:23.327735
- 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: 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。
- 参考スコア（独自算出の注目度）: 21.25149064251918
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Perception is a critical component of high-integrity applications of robotics
and autonomous systems, such as self-driving vehicles. In these applications,
failure of perception systems may put human life at risk, and a broad adoption
of these technologies requires the development of methodologies to guarantee
and monitor safe operation. 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 and identification in perception systems. Towards this goal, we draw
connections with the literature on diagnosability in multiprocessor systems,
and generalize it to account for modules with heterogeneous outputs that
interact over time. The resulting temporal diagnostic graphs (i) provide a
framework to reason over the consistency of perception outputs -- across
modules and over time -- thus enabling fault detection, (ii) allow us to
establish formal guarantees on the maximum number of faults that can be
uniquely identified in a given perception system, and (iii) enable the design
of efficient algorithms for fault identification. We demonstrate our monitoring
system, dubbed PerSyS, in realistic simulations using the LGSVL self-driving
simulator and the Apollo Auto autonomy software stack, and show that PerSyS is
able to detect failures in challenging scenarios (including scenarios that have
caused self-driving car accidents in recent years), and is able to correctly
identify faults while entailing a minimal computation overhead (< 5 ms on a
single-core CPU).
- 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。
これらの応用において、認識システムの故障は人間の生命を危険にさらす可能性があり、安全運転の保証と監視のための方法論の開発が必要である。
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,認識システムにおける実行時モニタリングと障害検出と識別のための数学的モデルを提案する。
この目的に向けて、我々はマルチプロセッサシステムにおける診断可能性に関する文献とのつながりを描き、時間とともに相互作用する異種出力を持つモジュールを考慮に入れた。
結果の時間的診断グラフ
i) モジュール間の知覚出力の一貫性と時間の経過とともに推論するフレームワークを提供することで、障害検出を可能にします。
(ii)与えられた知覚系において一意に識別できる障害の最大数に関する形式的保証を確立することができる。
(iii) 障害同定のための効率的なアルゴリズムの設計を可能にする。
我々は,LGSVL自動運転シミュレータとアポロ自動自動ソフトウェアスタックを使用した現実的なシミュレーションにおいて,当社の監視システムであるPerSySを実演し,困難シナリオ(近年の自動運転車事故の原因となったシナリオを含む)における障害を検出するとともに,最小の計算オーバーヘッド(シングルコアCPUでは5ミリ秒)を伴って障害を正しく検出できることを示す。
関連論文リスト
- Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。
マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。
ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T09:36:38Z) - 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) - 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) - Discovering Closed-Loop Failures of Vision-Based Controllers via Reachability Analysis [7.679478106628509]
機械学習によるイメージベースコントローラは、ロボットシステムが環境からの視覚的フィードバックに基づいてインテリジェントなアクションを取ることを可能にする。
既存の手法では、シミュレーションベースのテスト(またはファルシフィケーション)を利用して、視覚ベースのコントローラの故障を見つける。
本研究では,ハミルトン・ヤコビ(HJ)の到達可能性問題として,閉ループ型視覚障害の発見を論じる。
論文 参考訳（メタデータ） (2022-11-04T20:22:58Z) - 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) - 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) - Risk-Driven Design of Perception Systems [47.787943101699966]
システム全体の安全性を低下させるエラーを最小限に抑えるために,認識システムを設計することが重要である。
完全積分閉ループシステムの性能に及ぼす知覚誤差の影響を考慮に入れた認識システム設計のためのリスク駆動型アプローチを開発する。
本研究では,現実的な視界に基づく航空機による応用・回避技術の評価を行い,リスク駆動設計がベースラインシステム上での衝突リスクを37%低減することを示す。
論文 参考訳（メタデータ） (2022-05-21T21:14:56Z) - 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) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Adaptive Immunity for Software: Towards Autonomous Self-healing Systems [0.6117371161379209]
自己修復ソフトウェアシステムは、実行時に予期しない問題を検出し、診断し、含めることができる。
機械学習の最近の進歩は、システムを観察して学ぶことができる。
人工免疫システムは、特に自己修復システムを構築するのに適している。
論文 参考訳（メタデータ） (2021-01-07T13:22:55Z) - Monitoring and Diagnosability of Perception Systems [21.25149064251918]
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。
論文 参考訳（メタデータ） (2020-05-24T18:09:46Z)
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。