論文の概要: Failure Probability Estimation for Black-Box Autonomous Systems using State-Dependent Importance Sampling Proposals
- arxiv url: http://arxiv.org/abs/2412.02154v1
- Date: Tue, 03 Dec 2024 04:28:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:51:32.759069
- Title: Failure Probability Estimation for Black-Box Autonomous Systems using State-Dependent Importance Sampling Proposals
- Title(参考訳): 状態依存インピーダンスサンプリングによるブラックボックス自律システムの故障確率推定
- Authors: Harrison Delecki, Sydney M. Katz, Mykel J. Kochenderfer,
- Abstract要約: 失敗の確率を推定することは、安全クリティカルな自律システムを開発するための重要なステップである。
モンテカルロサンプリングのような直接推定法は、これらの系における故障の希少性のため、しばしば非現実的である。
これらの制約に対処するための適応的重要度サンプリングアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 37.579437595742995
- License:
- Abstract: Estimating the probability of failure is a critical step in developing safety-critical autonomous systems. Direct estimation methods such as Monte Carlo sampling are often impractical due to the rarity of failures in these systems. Existing importance sampling approaches do not scale to sequential decision-making systems with large state spaces and long horizons. We propose an adaptive importance sampling algorithm to address these limitations. Our method minimizes the forward Kullback-Leibler divergence between a state-dependent proposal distribution and a relaxed form of the optimal importance sampling distribution. Our method uses Markov score ascent methods to estimate this objective. We evaluate our approach on four sequential systems and show that it provides more accurate failure probability estimates than baseline Monte Carlo and importance sampling techniques. This work is open sourced.
- Abstract(参考訳): 失敗の確率を推定することは、安全クリティカルな自律システムを開発するための重要なステップである。
モンテカルロサンプリングのような直接推定法は、これらの系における故障の希少性のため、しばしば非現実的である。
既存の重要サンプリングアプローチは、大きな状態空間と長い地平線を持つシーケンシャルな意思決定システムにスケールしない。
これらの制約に対処するための適応的重要度サンプリングアルゴリズムを提案する。
提案手法は,状態依存型提案分布と最適重要サンプリング分布の緩和形との前方Kulback-Leibler分散を最小化する。
本手法はこの目的を推定するためにマルコフスコア上昇法を用いる。
提案手法を4つのシーケンシャルシステム上で評価した結果,モンテカルロの基準値よりも精度の高い故障確率推定と重要サンプリング手法が得られた。
この作品はオープンソース化されている。
関連論文リスト
- Enhanced Importance Sampling through Latent Space Exploration in Normalizing Flows [69.8873421870522]
重要サンプリングはモンテカルロシミュレーションで使われる稀な事象シミュレーション手法である。
正規化フローの潜在空間における提案分布を更新し,より効率的なサンプリング法を提案する。
論文 参考訳(メタデータ) (2025-01-06T21:18:02Z) - Probabilistic Parameter Estimators and Calibration Metrics for Pose Estimation from Image Features [30.85393323542915]
本稿では,実時間における測定の不確実性を考慮した確率的パラメータ推定の課題に対処する。
本稿では,最小二乗サンプリング法,線形近似法,確率的プログラミング推定法という3つの確率的パラメータ推定手法を提案する。
線形近似推定器は、他の手法よりも格段に高速にシャープで精度の良いポーズ予測を生成できるが、特定のシナリオにおいて過信な予測をもたらす可能性があることを実証する。
論文 参考訳(メタデータ) (2024-07-23T07:02:01Z) - Model-based Validation as Probabilistic Inference [37.61747231296097]
障害に対する分散を推定することは、自律システムを検証するための重要なステップである。
逐次システムの故障軌道上の分布をベイズ推定として推定する。
本手法は, 逆振子制御システム, 自律走行シナリオ, 部分的に観測可能な月面着陸機で実証された。
論文 参考訳(メタデータ) (2023-05-17T03:27:36Z) - A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
割引平均推定問題に対して最小値の最小値を求める。
マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
論文 参考訳(メタデータ) (2023-04-11T09:13:17Z) - Uncertainty Estimation based on Geometric Separation [13.588210692213568]
機械学習では、特定の入力が正しい確率を正確に予測することがリスク管理に不可欠である。
機械学習モデルにおける不確実性推定を改善するための新しい幾何学的アプローチを提案する。
論文 参考訳(メタデータ) (2023-01-11T13:19:24Z) - A Deep Reinforcement Learning Approach to Rare Event Estimation [30.670114229970526]
自律システムの設計における重要なステップは、失敗が起こる確率を評価することである。
安全クリティカルな領域では、モンテカルロサンプリングによる政策の評価が非効率であるように、失敗確率は非常に小さい。
逐次意思決定システムにおいて、稀な事象の確率を効率的に推定できる2つの適応的重要度サンプリングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-11-22T18:29:14Z) - Case Studies for Computing Density of Reachable States for Safe
Autonomous Motion Planning [8.220217498103313]
到達可能な状態の密度は、安全クリティカルなシステムのリスクを理解するのに役立つ。
最近の研究は、自律システムの前方到達可能な状態の密度分布をオンラインで計算するためのデータ駆動型アプローチを提供する。
本稿では,不確実性を考慮した安全な経路計画のためのモデル予測制御とモデル予測制御の併用について検討する。
論文 参考訳(メタデータ) (2022-09-16T17:38:24Z) - Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian
Noise [59.47042225257565]
雑音分布の明示的な表現に依存しない新しい計画法を提案する。
まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。
いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
論文 参考訳(メタデータ) (2021-10-25T06:18:55Z) - Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。
モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。
この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文 参考訳(メタデータ) (2020-11-15T22:36:59Z) - Batch Stationary Distribution Estimation [98.18201132095066]
サンプル遷移の組を与えられたエルゴードマルコフ鎖の定常分布を近似する問題を考える。
与えられたデータに対する補正比関数の復元に基づく一貫した推定器を提案する。
論文 参考訳(メタデータ) (2020-03-02T09:10:01Z)
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。