本文考虑了学习历史依赖性任务规范的问题，例如，来自专家演示的自动机和时间逻辑。不幸的是，所考虑的（可爱的无限）的任务数结合了一个优先考虑对所历史特征进行编码所需的历史特征，使得现有的学习任务免受示范不适用的方法。为了解决这一赤字，我们提出了通过黑匣子访问（i）最大熵计划和（ii）用于识别概念，例如自动机的算法，从标记的示例识别概念的算法的算法通过在（i）之间的交替之间的标有标记的例子之间的作用，以使示威性令人惊讶和（ii）与当前标记的实施例一致的采样概念。在确定性有限自动机描述的任务的背景下，我们提供了一种有效地结合了任务的部分知识和单一专家演示来识别完整任务规范的具体实施。
translated by 谷歌翻译
2021-12-01
基于仿真的自主车辆（AVS）测试已成为道路测试的必要补充，以确保安全。因此，实质性研究专注于寻找模拟中的失败情景。但是，仍然存在一个基本问题：是在实际情况下模拟中识别的AV失败情景，即它们在真实系统上可重复？由于模拟和实际传感器数据之间的差异引起的SIM-to-实际间隙，模拟中识别的故障场景可以是合成传感器数据的虚假工件或持续存在具有实际传感器数据的实际故障。验证模拟故障方案的方法是在真实数据的语料库中识别场景的情况，并检查故障是否持续存在于实际数据上。为此，我们提出了一个正式的定义，它对标记的数据项匹配抽象场景的方法，以使用风景概率编程语言编码为场景程序。使用此定义，我们开发了一个查询算法，给定场景程序和标记的数据集，找到符合场景的数据子集。实验表明，我们的算法在各种现实的交通方案上是准确和高效的，并缩放到合理数量的代理商。
translated by 谷歌翻译
行为预测仍然是自主车辆（AV）软件堆栈中最具挑战性的任务之一。预测附近代理商的未来轨迹在确保道路安全时发挥着关键作用，因为它配备了必要的信息来规划安全旅行路线。然而，这些预测模型是数据驱动和培训的关于在现实生活中收集的数据，可能不代表AV可以遇到的全部场景。因此，重要的是，在涉及部署之前的各种测试场景中广泛测试这些预测模型。为了支持这种需求，我们提出了一种基于仿真的测试平台，支持（1）具有名为景区的概率编程语言的直观方案建模，（2）指定具有部分优先级排序的多目标评估度量，（3）伪造提供的度量标准，（4）仿真的并行化用于可扩展测试。作为平台的一部分，我们提供了25个景区程序的库，该节目模拟了涉及交互式交通参与者行为的具有挑战性的测试场景。我们通过测试训练的行为预测模型并搜索失败方案来展示我们平台的有效性和可扩展性。
translated by 谷歌翻译
2020-07-07
命题模型计数或#SAT是计算布尔公式满足分配数量的问题。来自不同应用领域的许多问题，包括许多离散的概率推理问题，可以将#SAT求解器解决的模型计数问题转化为模型计数问题。但是，确切的#sat求解器通常无法扩展到工业规模实例。在本文中，我们提出了Neuro＃，这是一种学习分支启发式方法，以提高特定问题家族中的实例的精确#sat求解器的性能。我们通过实验表明，我们的方法减少了类似分布的持有实例的步骤，并将其推广到同一问题家族的更大实例。它能够在具有截然不同的结构的许多不同问题家族上实现这些结果。除了步骤计数的改进外，Neuro＃还可以在某些问题家族的较大实例上在较大的实例上实现壁式锁定速度的订单，尽管开头查询了模型。
translated by 谷歌翻译
我们提出了一种基于新型的深神经网络（DNN）近似结构，以学习测量的估计值。我们详细介绍了能够培训DNN的算法。 DNN估计器仅在通过通信网络收到的情况下使用测量值。测量值是通过网络作为数据包传达的，以估算器未知的速率传达。数据包可能会掉落，需要重新传播。当他们穿越网络路径时，他们可能会遭受等待延误。估计的工作通常假设对测量系统的动态模型的了解，这可能在实践中无法使用。 DNN估计器不假设动态系统模型或通信网络的知识。它不需要其他作品经常使用的测量历史记录。在线性和非线性动态系统的模拟中，DNN估计器的平均估计误差明显小于常用时变的卡尔曼滤波器和无气体的卡尔曼滤波器的平均估计误差明显小。 DNN不必为不同的通信网络设置单独培训。由于测量源和估计器之间不完美的时间同步而导致的网络延迟估计估计的错误是可靠的。最后但并非最不重要的一点是，我们的模拟阐明了导致估计误差较低的更新速率。
translated by 谷歌翻译