論文の概要: Runtime Verification via Rational Monitor with Imperfect Information

• arxiv url: http://arxiv.org/abs/2408.11627v1
• Date: Wed, 21 Aug 2024 13:56:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-22 16:47:35.175083
• Title: Runtime Verification via Rational Monitor with Imperfect Information
• Title（参考訳）: 不完全な情報を用いた合理的モニタによる実行時検証
• Authors: Angelo Ferrando, Vadim Malvone,
• Abstract要約: 従来の検証では完全な情報を前提としており、監視コンポーネントがすべてを正確に認識している。 この仮定は、特に実環境で動作する自律システムでは、しばしば失敗する。 我々は、リニア時間論理特性の標準RVを拡張し、モニターが不完全な情報を持ち、合理的に振る舞うシナリオに対応する。
• 参考スコア（独自算出の注目度）: 2.7323347531070974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trusting software systems, particularly autonomous ones, is challenging. To address this, formal verification techniques can ensure these systems behave as expected. Runtime Verification (RV) is a leading, lightweight method for verifying system behaviour during execution. However, traditional RV assumes perfect information, meaning the monitoring component perceives everything accurately. This assumption often fails, especially with autonomous systems operating in real-world environments where sensors might be faulty. Additionally, traditional RV considers the monitor to be passive, lacking the capability to interpret the system's information and thus unable to address incomplete data. In this work, we extend standard RV of Linear Temporal Logic properties to accommodate scenarios where the monitor has imperfect information and behaves rationally. We outline the necessary engineering steps to update the verification pipeline and demonstrate our implementation in a case study involving robotic systems.
• Abstract（参考訳）: ソフトウェアシステム、特に自律的なシステムの信頼は難しい。 これを解決するために、形式的な検証技術は、これらのシステムが期待通りに振る舞うことを保証できる。 実行時検証(RV)は、実行中のシステムの振る舞いを検証するための、先進的で軽量な方法である。 しかし、従来のRVは完全な情報を前提としており、モニタリングコンポーネントが全てを正確に認識している。 この仮定はしばしば失敗し、特にセンサーが故障している可能性がある現実の環境で自律システムが動作している。 さらに、従来のRVでは、モニターは受動的であり、システムの情報を解釈できないため、不完全なデータに対処できない。 本研究では、線形時間論理特性の標準RVを拡張し、モニタが不完全な情報を持ち、合理的に振る舞うシナリオに対応する。 検証パイプラインを更新するために必要なエンジニアリング手順を概説し、ロボットシステムを含むケーススタディで実装を実演する。

関連論文リスト

• Mind the Interference: Retaining Pre-trained Knowledge in Parameter Efficient Continual Learning of Vision-Language Models [79.28821338925947]
  ドメインクラスのインクリメンタル学習は現実的だが、継続的な学習シナリオである。 これらの多様なタスクに対処するために、事前訓練されたビジョンランゲージモデル(VLM)を導入し、その強力な一般化性を実現する。 事前訓練されたVLMにエンコードされた知識は、新しいタスクに適応する際に妨げられ、固有のゼロショット能力を損なう。 既存の手法では、膨大なオーバーヘッドを必要とする余分なデータセットに知識蒸留でVLMをチューニングすることで、この問題に対処している。 我々は、事前学習した知識を保持できるDIKI(Distributed-Aware Interference-free Knowledge Integration)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-07T12:19:37Z)
• Certified Control for Train Sign Classification [0.0]
  KI-LOK研究プロジェクトは、このようなAIベースのシステムを証明する新しい方法の開発に関与している。 本稿では,交通標識の偽陽性検出を防止するランタイムモニタの認証制御アーキテクチャの有用性について検討する。
  論文  参考訳（メタデータ） (2023-11-16T11:02:10Z)
• A Requirements-Driven Platform for Validating Field Operations of Small Uncrewed Aerial Vehicles [48.67061953896227]
  DroneReqValidator (DRV)は、sUAS開発者が運用コンテキストを定義し、複数のsUASミッション要件を設定し、安全性特性を指定し、独自のsUASアプリケーションを高忠実な3D環境にデプロイすることを可能にする。 DRVモニタリングシステムは、sUASと環境からランタイムデータを収集し、安全特性のコンプライアンスを分析し、違反をキャプチャする。
  論文  参考訳（メタデータ） (2023-07-01T02:03:49Z)
• 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)
• Monitoring ROS2: from Requirements to Autonomous Robots [58.720142291102135]
  本稿では,構造化自然言語で記述された要件から自律ロボットのランタイムモニタを生成するための形式的アプローチの概要について述べる。 当社のアプローチでは,Fletal Requirement Elicitation Tool (FRET) とランタイム検証フレームワークであるCopilotを,Ogma統合ツールを通じて統合しています。
  論文  参考訳（メタデータ） (2022-09-28T12:19:13Z)
• Lightweight Automated Feature Monitoring for Data Streams [1.4658400971135652]
  そこで本稿では,データドリフトを検出するFM(Feature Monitoring)システムを提案する。 システムは、システムによって使用されるすべての機能を監視し、アラームが発生するたびにランク付けされる解釈可能な機能を提供します。 これは、FMが特定のタイプの問題を検出するためにカスタムシグナルを追加する必要をなくし、利用可能な機能の空間を監視するのに十分であることを示している。
  論文  参考訳（メタデータ） (2022-07-18T14:38:11Z)
• Formalizing and Evaluating Requirements of Perception Systems for Automated Vehicles using Spatio-Temporal Perception Logic [25.070876549371693]
  本研究では,空間的および時間的演算子を用いた知覚データに対する推論を可能にするロジックを提案する。 STPLの大きな利点の1つは、知覚システムの機能性能の基本的な正当性チェックを容易にすることである。
  論文  参考訳（メタデータ） (2022-06-29T02:36:53Z)
• 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)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• 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)
• 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。