論文の概要: Verification of Visual Controllers via Compositional Geometric Transformations
- arxiv url: http://arxiv.org/abs/2507.04523v1
- Date: Sun, 06 Jul 2025 20:22:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.224296
- Title: Verification of Visual Controllers via Compositional Geometric Transformations
- Title（参考訳）: 構成幾何学変換による視覚制御器の検証
- Authors: Alexander Estornell, Leonard Jung, Michael Everett,
- Abstract要約: 到達可能な集合の外部近似を生成できる知覚ベースのコントローラのための新しい検証フレームワークを提案する。
提案手法の音質を理論的に保証し,ベンチマーク制御環境における有効性を示す。
- 参考スコア（独自算出の注目度）: 49.81690518952909
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Perception-based neural network controllers are increasingly used in autonomous systems that rely on visual inputs to operate in the real world. Ensuring the safety of such systems under uncertainty is challenging. Existing verification techniques typically focus on Lp-bounded perturbations in the pixel space, which fails to capture the low-dimensional structure of many real-world effects. In this work, we introduce a novel verification framework for perception-based controllers that can generate outer-approximations of reachable sets through explicitly modeling uncertain observations with geometric perturbations. Our approach constructs a boundable mapping from states to images, enabling the use of state-based verification tools while accounting for uncertainty in perception. We provide theoretical guarantees on the soundness of our method and demonstrate its effectiveness across benchmark control environments. This work provides a principled framework for certifying the safety of perception-driven control systems under realistic visual perturbations.
- Abstract（参考訳）: 知覚に基づくニューラルネットワークコントローラは、現実世界で操作する視覚入力に依存する自律システムにおいて、ますます使われている。
このようなシステムの安全性を不確実性の下で確保することは困難である。
既存の検証技術は、通常、ピクセル空間におけるLp結合摂動に焦点を当て、多くの実世界の効果の低次元構造を捉えることに失敗する。
本研究では,幾何学的摂動による不確実な観測を明示的にモデル化することにより,到達可能な集合の外部近似を生成できる知覚ベースコントローラの新たな検証フレームワークを提案する。
提案手法は状態から画像への有界マッピングを構築し,認識の不確実性を考慮しつつ,状態ベースの検証ツールの利用を可能にする。
提案手法の音質を理論的に保証し,ベンチマーク制御環境における有効性を示す。
この研究は、現実的な視覚摂動下での知覚駆動制御システムの安全性を証明するための原則化されたフレームワークを提供する。
関連論文リスト
- Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。
提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
論文 参考訳（メタデータ） (2025-04-30T13:47:25Z) - Learning Vision-Based Neural Network Controllers with Semi-Probabilistic Safety Guarantees [24.650302053973142]
本稿では, 到達可能性解析と条件付き生成逆数ネットワークを統合した, 半確率的検証フレームワークを提案する。
次に, 新たな安全損失関数, 安全対応型データサンプリング戦略, カリキュラム学習を活用した勾配学習手法を提案する。
X-Plane 11航空機の着陸シミュレーション, CARLAシミュレーションによる自律走行車線, F110thレーンの視覚的に豊かなミニチュア環境下での実証実験により, 本手法の有効性が証明された。
論文 参考訳（メタデータ） (2025-02-28T21:16:42Z) - Scalable and Interpretable Verification of Image-based Neural Network Controllers for Autonomous Vehicles [3.2540854278211864]
自動運転車のイメージベースニューラルネットワークコントローラは、高次元入力、計算不効率、説明可能性の欠如にしばしば苦労する。
本稿では,変分オートエンコーダ(VAE)を利用して高次元画像を低次元で説明可能な潜在空間に符号化するフレームワークであるSEVINを提案する。
我々は,SEVINが制御動作に関する説明可能な洞察を提供しながら,効率的でスケーラブルな検証を実現することを示す。
論文 参考訳（メタデータ） (2025-01-23T16:46:45Z) - Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。
モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。
実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
論文 参考訳（メタデータ） (2024-12-05T18:58:27Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - In-Distribution Barrier Functions: Self-Supervised Policy Filters that
Avoid Out-of-Distribution States [84.24300005271185]
本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。
本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
論文 参考訳（メタデータ） (2023-01-27T22:28:19Z) - Assuring Safety of Vision-Based Swarm Formation Control [0.0]
本稿では,視覚に基づく構成制御の安全性保証手法を提案する。
本稿では,標準量子化コンセンサスアルゴリズムの収束解析を構築された量子化器に適用する方法を示す。
論文 参考訳（メタデータ） (2022-10-03T14:47:32Z) - 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)
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。