安全至关重要的应用中神经网络（NNS）的患病率的增加，要求采用证明安全行为的方法。本文提出了一种向后的可及性方法，以安全验证神经反馈循环（NFLS），即具有NN控制策略的闭环系统。尽管最近的作品集中在远程达到NFL的安全认证策略上，但落后性能比远期策略具有优势，尤其是在避免障碍的情况下。先前的工作已经开发了用于无NNS系统的向后可及性分析的技术，但是由于其激活功能的非线性，反馈回路中的NNS存在唯一的问题，并且由于NN模型通常不可逆转。为了克服这些挑战，我们使用现有的NN分析工具有效地找到了对反射（BP）集的过度评估，即NN控制策略将将系统驱动到给定目标集的状态集。我们介绍了用于计算以馈电NN表示的控制策略的线性和非线性系统的BP过度评估的框架，并提出了计算有效的策略。我们使用各种模型的数值结果来展示所提出的算法，包括6D系统的安全认证。
translated by 谷歌翻译
对移动障碍的检测和细分，以及对当地环境的未来占用状态的预测，对于自动驾驶汽车，必不可少的自动驾驶行动至关重要。在本文中，我们提出了一个框架，该框架使用深层神经网络体系结构将两个功能集成在一起。我们的方法首先检测到现场移动对象的段，并使用此信息来预测自动驾驶汽车周围环境的时空演化。为了解决静态动态对象分割和环境预测模型直接集成的问题，我们建议在整个框架中使用基于占用的环境表示。我们的方法在现实Waymo打开数据集上进行了验证，并证明了比基线方法更高的预测准确性。
translated by 谷歌翻译
本文解决了在通信和传感器有限的动态环境中运行的移动机器人的安全计划和控制问题。在这种情况下，机器人无法感知周围的对象，而必须像在水下应用中那样依靠间歇性的外部信息。在这种情况下，挑战是机器人必须仅使用此陈旧数据计划，同时考虑到数据中的任何噪声或环境中的不确定性。为了应对这一挑战，我们提出了一种构图技术，该技术利用神经网络仅使用间歇性信息来快速通过拥挤和动态的环境来计划和控制机器人。具体而言，我们的工具使用可及性分析和潜在领域来训练能够生成安全控制动作的神经网络。我们通过跨越拥挤的运输渠道的水下车辆以及在通信和传感器限制环境中进行地面车辆进行的真实实验，展示了我们的技术。
translated by 谷歌翻译
安全可靠的自治解决方案是下一代智能运输系统的关键组成部分。这种系统中的自动驾驶汽车必须实时考虑复杂而动态的驾驶场景，并预测附近驾驶员的行为。人类驾驶行为非常细微，对个别交通参与者具有特殊性。例如，在合并车辆的情况下，驾驶员可能会显示合作或非合作行为。这些行为必须估算并纳入安全有效驾驶的计划过程中。在这项工作中，我们提出了一个框架，用于估计高速公路上驾驶员的合作水平，并计划将动作与驾驶员的潜在行为合并。潜在参数估计问题使用粒子滤波器解决，以近似合作级别的概率分布。包括潜在状态估算的部分可观察到的马尔可夫决策过程（POMDP）在线解决，以提取合并车辆的政策。我们在高保真汽车模拟器中评估我们的方法，以对潜在状态不可知或依赖于$ \ textit {a先验{先验} $假设。
translated by 谷歌翻译
2022-09-21
最先进的对象探测器在许多应用中都有效。通常，基于准确度指标（例如平均平均精度）对其性能进行评估。在本文中，我们考虑了在自动驾驶（AD）的背景下3D对象探测器的安全性。特别是，我们提出了对AD中对象探测器的基本安全要求，并将其提出为规范。在配方过程中，我们发现图像上使用预计的2D边界框的抽象3D对象和鸟类视图平面可以为拟议的安全要求提供必要且充分的条件。然后，我们利用分析并根据地面相交的措施以及预测和地面真理之间的距离比率得出定性和定量安全指标。最后，为了持续改进，我们制定了安全损失，可用于优化对象探测器以提高安全分数。我们对MMDetection3D库和Nuscenes数据集的公共模型进行了实验，证明了我们的考虑和建议的有效性。
translated by 谷歌翻译
焊接联合检查（SJI）是生产印刷电路板（PCB）的关键过程。在SJI期间发现焊料错误非常具有挑战性，因为焊接接头的尺寸很小，并且可能需要各种形状。在这项研究中，我们首先表明焊料的特征多样性低，并且可以作为精细颗粒的图像分类任务执行SJI，该任务侧重于难以固定的对象类。为了提高细粒度的分类精度，发现通过最大化熵来惩罚自信模型预测，在文献中很有用。与此信息内联，我们建议使用{\ alpha} -skew Jensen-Shannon Divergence（{\ alpha} -js）来惩罚模型预测的信心。我们将{\ alpha} -js正则化与现有基于熵指定的方法和基于注意机制，分割技术，变压器模型和特定损耗函数的方法进行比较。我们表明，在细化的焊料联合分类任务中，所提出的方法可以达到不同模型的F1得分和竞争精度。最后，我们可视化激活图，并表明，凭借熵的规范化，更精确的类歧视区域是局部的，这也更适合噪声。接受代码将在这里接受。
translated by 谷歌翻译
作为一种新兴的神经网络（NNS），在许多应用中，注意力网络（例如ATN）（例如，ATN）已被证明有效。本文进一步考虑了他们的稳健性。更具体地说，我们对与更常规的多层感知（MLP）相比，对局部输入扰动的最大弹性感到好奇。因此，我们将验证任务提出为优化问题，从中可以从中获得精确的鲁棒性值。然而，一个主要的挑战是NNS的非跨性和非线性。尽管现有文献在某种程度上通过分支机构等方法来应对挑战，但尚未解决ATN中二次和指数函数引入的其他难度水平。我们的工作通过着重于基于Sparsemax的ATN，将它们编码为混合整数四四极限制的编程问题，并提出两个强大的启发式方法来加速一个数量级，从而减少了这一差距。最后，我们训练并评估了几个基于SPARSEMAX的ATN和类似大小的基于RELU的MLP，以执行巷道发行警告任务，并表明尽管准确性通常更高，但前者的强劲效果不佳。
translated by 谷歌翻译
在印刷电路板（PCB）的组装过程中，大多数误差是由表面安装装置（SMD）中的焊点引起的。在文献中，传统的特征提取基于方法需要设计手工制作的特征，并依赖于分层的RGB照明来检测焊接接头误差，而基于监督的卷积神经网络（CNN）的方法需要大量标记的异常样本（有缺陷的焊点）实现高精度。为了解决无限制环境中的光学检查问题，没有特殊的照明，没有无差错的参考板，我们提出了一种用于异常检测的新的Beta变化AutoEncoders（Beta-VAE）架构，可以在IC上工作和非IC组件。我们表明，拟议的模型学会了Disondled的数据表示，导致更独立的功能和改进的潜在空间表示。我们比较用于表征异常的激活和基于梯度的表示;并观察不同Beta参数对精度的影响，并在β-VAE中的特征表示中的影响。最后，我们表明，可以通过在没有指定的硬件或特征工程的直接正常样品上培训的模型来检测焊点上的异常。
translated by 谷歌翻译