論文の概要: Monitoring of Perception Systems: Deterministic, Probabilistic, and
Learning-based Fault Detection and Identification
- arxiv url: http://arxiv.org/abs/2205.10906v1
- Date: Sun, 22 May 2022 19:08:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-29 19:08:38.082161
- Title: Monitoring of Perception Systems: Deterministic, Probabilistic, and
Learning-based Fault Detection and Identification
- Title（参考訳）: 知覚システムのモニタリング:決定論的・確率的・学習的故障検出と同定
- Authors: Pasquale Antonante, Heath Nilsen, Luca Carlone
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 21.25149064251918
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates runtime monitoring of perception systems. 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 requires the development of methodologies to guarantee and monitor
safe operation. Despite the paramount importance of perception, currently there
is no formal approach for system-level perception monitoring. In this paper, we
formalize the problem of runtime fault detection and identification in
perception systems and present a framework to model diagnostic information
using a diagnostic graph. We then provide a set of deterministic,
probabilistic, and learning-based algorithms that use diagnostic graphs to
perform fault detection and identification. Moreover, we investigate
fundamental limits and provide deterministic and probabilistic guarantees on
the fault detection and identification results. We conclude the paper with an
extensive experimental evaluation, which recreates several realistic failure
modes in the LGSVL open-source autonomous driving simulator, and applies the
proposed system monitors to a state-of-the-art autonomous driving software
stack (Baidu's Apollo Auto). The results show that the proposed system monitors
outperform baselines, have the potential of preventing accidents in realistic
autonomous driving scenarios, and incur a negligible computational overhead.
- Abstract（参考訳）: 本稿では,認識システムの実行時モニタリングについて検討する。
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。
知覚の重要さにもかかわらず、システムレベルの知覚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,認識システムにおけるランタイム障害検出と識別の問題を形式化し,診断グラフを用いて診断情報をモデル化する枠組みを提案する。
次に,診断グラフを用いて障害の検出と同定を行う決定論的,確率的,学習ベースのアルゴリズムセットを提供する。
さらに, 基本的限界を調査し, 故障検出および同定結果の確定的および確率的保証を提供する。
本論文は,lgsvlオープンソース自律運転シミュレータにおいて,いくつかの現実的な障害モードを再現し,提案するシステムモニタを最先端の自律運転ソフトウェアスタック(baiduのapollo auto)に適用する実験的な評価を行った。
その結果,提案システムはベースラインを上回っており,現実の自動運転シナリオでは事故を防止できる可能性があり,計算オーバーヘッドが無視できることがわかった。
関連論文リスト
- Designing monitoring strategies for deployed machine learning
algorithms: navigating performativity through a causal lens [6.329470650220206]
この研究の目的は、監視戦略を設計する際の比較的過小評価されている複雑さを強調することである。
MLに基づく未計画の読み出し予測のためのリスク予測アルゴリズムについて検討する。
このケーススタディの結果は、すべての監視システムが平等に作成されるわけではないという、一見単純な(そして明らかな)事実を強調します。
論文 参考訳（メタデータ） (2023-11-20T00:15:16Z) - 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) - 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) - Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。
まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。
次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
論文 参考訳（メタデータ） (2021-11-18T23:21:00Z) - 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) - 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]
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) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳（メタデータ） (2020-10-19T13:09:31Z) - 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) - Training-free Monocular 3D Event Detection System for Traffic
Surveillance [93.65240041833319]
既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。
現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。
本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
論文 参考訳（メタデータ） (2020-02-01T04:42:57Z)
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。