现代自动驾驶汽车系统使用复杂的感知和控制组件，必须应对从传感器收到的不确定数据。为了估计此类车辆保持安全状态的可能性，开发人员经常采用耗时的模拟方法。本文提出了一种基于广义多项式混乱（GPC）的车辆系统中自治管道的替代方法。我们还提出了气体，这是第一种用于创建和使用复杂车辆系统的GPC模型的算法。气体用感知模型代替了复杂的感知成分，以降低复杂性。然后，它构建了GPC模型，并将其用于估计状态分布和/或输入不安全状态的概率。我们在农作物管理车辆，自动驾驶汽车和空中无人机中使用的五种情况下评估气体 - 每个系统都使用至少一个复杂的感知或控制组件。我们表明，气体计算的状态分布与蒙特卡洛模拟所产生的分布非常匹配，同时也提供2.3倍-3.0倍的加速。
translated by 谷歌翻译
对象检测，车道检测和分割的卷积神经网络（CNN）现在坐在大多数自主管道的头部，然而，他们的安全分析仍然是一个重要的挑战。对感知模型的正式分析是根本困难的，因为他们的正确性是难以指定的，如果不是不可能指定。我们提出了一种从系统级安全要求，数据和从感知下游的模块的模块的识字模型推断出可理解和安全抽象的技术。该技术可以帮助在创建抽象和随后的验证方面进行权衡安全性，大小和精度。我们将该方法应用于基于高保真仿真（a）用于自主车辆的视觉的车道保持控制器的两个重要案例研究，并且（b）用于农业机器人的控制器。我们展示了所生成的抽象如何与下游模块组成，然后可以使用像CBMC等程序分析工具验证所产生的抽象系统。详细评估规模，安全要求和环境参数（例如，照明，路面，植物类型）对所产生的抽象精度的影响表明，该方法可以帮助指导寻找角落案例和安全操作包围。
translated by 谷歌翻译