論文の概要: Model Predictive Robustness of Signal Temporal Logic Predicates
- arxiv url: http://arxiv.org/abs/2209.07881v2
- Date: Tue, 25 Apr 2023 12:17:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-27 00:00:03.118575
- Title: Model Predictive Robustness of Signal Temporal Logic Predicates
- Title（参考訳）: 信号時相論理述語のモデル予測ロバスト性
- Authors: Yuanfei Lin, Haoxuan Li, Matthias Althoff
- Abstract要約: 本稿では,モデル予測ロバスト性の概念を提案し,従来の手法に比べてロバスト性を評価する体系的な方法を提案する。
特にガウス過程回帰を用いて事前計算された予測に基づいて頑健さを学習する。
我々は,記録されたデータセット上での交通規則の定式化に使用される述語を用いた自動運転のユースケースに対するアプローチを評価する。
- 参考スコア（独自算出の注目度）: 9.019243171993555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The robustness of signal temporal logic not only assesses whether a signal
adheres to a specification but also provides a measure of how much a formula is
fulfilled or violated. The calculation of robustness is based on evaluating the
robustness of underlying predicates. However, the robustness of predicates is
usually defined in a model-free way, i.e., without including the system
dynamics. Moreover, it is often nontrivial to define the robustness of
complicated predicates precisely. To address these issues, we propose a notion
of model predictive robustness, which provides a more systematic way of
evaluating robustness compared to previous approaches by considering
model-based predictions. In particular, we use Gaussian process regression to
learn the robustness based on precomputed predictions so that robustness values
can be efficiently computed online. We evaluate our approach for the use case
of autonomous driving with predicates used in formalized traffic rules on a
recorded dataset, which highlights the advantage of our approach compared to
traditional approaches in terms of expressiveness. By incorporating our
robustness definitions into a trajectory planner, autonomous vehicles obey
traffic rules more robustly than human drivers in the dataset.
- Abstract（参考訳）: 信号時相論理のロバスト性は、信号が仕様に準拠しているかを評価するだけでなく、式がどの程度満たされるか違反しているかの指標を提供する。
ロバスト性の計算は、基礎となる述語のロバスト性の評価に基づいている。
しかしながら、述語のロバスト性は通常、システムダイナミクスを含まずに、モデルフリーな方法で定義される。
さらに、複雑な述語の堅牢性を定義することはしばしば自明である。
これらの問題に対処するために,モデルに基づく予測を考慮し,従来の手法に比べて頑健性を評価する体系的な方法を提供するモデル予測頑健性の概念を提案する。
特にガウス過程回帰を用いて事前計算された予測に基づいてロバストネスを学習し、ロバストネス値をオンライン上で効率的に計算する。
記録されたデータセット上での形式化された交通ルールに使用される述語を用いた自動運転のユースケースに対する我々のアプローチの評価を行い、表現性の観点から従来のアプローチと比較して、我々のアプローチの利点を強調した。
堅牢性の定義をトラジェクティブプランナーに組み込むことで、自動運転車はデータセットの人間ドライバーよりもロバストな交通規則に従う。
関連論文リスト
- Reliable Probabilistic Human Trajectory Prediction for Autonomous Applications [1.8294777056635267]
車両システムは信頼性、正確、高速、資源効率、スケーラブル、低遅延軌道予測を必要とする。
本稿では,これらの要求に対処する軽量な手法として,Long Short-Term Memory と Mixture Density Networks を提案する。
自動運転車アプリケーションにおける人体軌道予測の必須要件について考察し,交通関連データセットを用いて本手法の性能を実証する。
論文 参考訳（メタデータ） (2024-10-09T14:08:39Z) - Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。
本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文 参考訳（メタデータ） (2024-07-10T09:13:11Z) - Learning Temporal Logic Predicates from Data with Statistical Guarantees [0.0]
有限サンプル精度保証データから時間論理の述語を学習する新しい手法を提案する。
提案手法は,表現最適化と共形予測を利用して,将来の軌跡を正しく記述した述語を学習する。
論文 参考訳（メタデータ） (2024-06-15T00:07:36Z) - Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。
本稿では,軌道予測作業に適した認証手法を提案する。
非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文 参考訳（メタデータ） (2024-03-20T17:41:35Z) - LMI-based Data-Driven Robust Model Predictive Control [0.1473281171535445]
入力制約と状態制約を考慮したデータ駆動型ロバストな線形行列不等式モデル予測制御手法を提案する。
コントローラは閉ループシステムを安定化し、制約満足度を保証する。
論文 参考訳（メタデータ） (2023-03-08T18:20:06Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z)
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。