自动化车辆（AV）在很大程度上取决于强大的感知系统。评估视觉系统的当前方法主要关注逐帧性能。当在AV中使用时，这种评估方法似乎不足以评估感知子系统的性能。在本文中，我们提出了一种逻辑（称为时空感知逻辑（STPL）），该逻辑同时使用了空间和时间方式。STPL可以使用空间和时间关系来实现对感知数据的推理。STPL的一个主要优点是，即使在某些情况下没有地面真相数据，它也可以促进感知系统实时性能的基本理智检查。我们确定了STPL的片段，该片段是在多项式时间内有效地监视离线的。最后，我们提供了一系列针对AV感知系统的规格，以突出显示可以通过STPL通过离线监控来表达和分析的要求类型。
translated by 谷歌翻译
在本文中，我们研究了随机控制屏障功能（SCBF），以在存在不确定性的情况下实现概率安全实时控制器的设计，并基于嘈杂的测量。我们的目标是设计控制器，该控制器将系统故障的概率与给定的所需值相结合。为此，我们首先使用扩展的卡尔曼滤波器从嘈杂测量估计系统状态，并计算过滤错误上的置信区间。然后，我们根据估计的状态归因于过滤错误并在控制输入上导出足够的条件，以绑定系统的实际状态在有限时间间隔内输入不安全区域的概率。我们表明，这些充足的条件是对控制输入的线性约束，因此，除了可达性等其他性能之外，它们可以用于实现安全性以实现安全性，以及稳定性。我们的方法是使用浓密交通的高速公路上的车道改变情景进行了评估。
translated by 谷歌翻译
撞击（IS）和Impact-echo（IE）是发达的非破坏性评估（NDE）方法，这些方法被广泛用于检查混凝土结构以确保安全和可持续性。但是，这是一项繁琐的工作，沿着网格线的数据涵盖了较大的目标区域，以表征地下缺陷。另一方面，数据处理非常复杂，需要域专家解释结果。为了解决上述问题，我们提出了一个新型的机器人检查系统，称为Impact-Rover，以自动化数据收集过程并引入数据分析软件以可视化检查结果，从而使常规的非专业人士可以理解。该系统由三个模块组成：1）一个具有垂直移动性的机器人平台，即在难以到达位置的数据，2）基于视觉的定位模块，该模块将融合RGB-D摄像头，IMU和车轮编码器以估算机器人的6-DOF姿势，3）用于处理IS数据以生成缺陷图的数据分析软件模块。 Impact-Rover托管IE和是滑动机构上的设备，可以执行移动样本操作以在可调间距下收集多个IS和IE数据。机器人采取的样品比手动数据收集方法快得多，因为它会自动沿直线进行多个测量值并记录位置。本文着重于报告实验结果。我们计算特征，并使用无监督的学习方法来分析数据。通过将基于视觉的本地化模块和滑动机制的头部位置产生的姿势组合，我们可以生成可能的缺陷地图。混凝土板上的结果表明，我们听起来很撞击的系统可以有效揭示浅缺陷。
translated by 谷歌翻译