“研究人员开发自动形式化做法 提高自动驾驶控制系统的安全性”

据盖亚汽车信息报道，日本国立信息学研究所( nii )和滑铁卢大学)的团队开发了自动两阶段形式化方法，目的是让传统的控制系统意识到传感器的不确定性，确保自动驾驶车和无人机的安全。

(图片来源: eenewseurope )

该方法即使在感知环境状态存在不确定性的情况下，也能自动将之前传入的控制软件转换为满足安全要求的模型，对无人机、自动驾驶车、卫星等自动系统至关重要。 该方法还生成了表示控制器软件可接受性不确定性的表达式。 系统控制器软件可以根据周围的环境运行，但实际上，系统可能会识别出与真实值不同的值。 如果控制器软件响应了错误的识别值，则可能会产生安全问题。 例如，如果自动驾驶车的传感器能够在1米以内错误感知其他车辆的位置，则其安全端距离至少为1米。

在考虑实际值和感知值的差异时，开发人员需要验证所有可能的行为的安全性，因此自动转换过程的开发非常复杂。 模糊程度也不能轻易估算。 另外，是否有雾等，取决于控制器系统的放置状况。 nii研究员tsutomu kobayashi说:“这项研究的目的是让开发者将形式化的建模方法应用于现实软件，以解决感知与现实差异的控制器系统问题。 因为这样一来，开发者就可以集中于控制器的动作本质。 我相信这种方法很有价值，可以通过多种方式扩展。 ”

这种方法包括两个步骤。 第一步是模糊性注入，将未感知模糊性的控制器的输入模型转换为中间模型。 中间模型的行为与输入模型的行为相同。 因为这不安全。 第二步是鲁棒化，将中间模型转换为可感知模糊性的安全模型，并将生成的控制器行为更新为即使有模糊性也能安全工作。

另外，制约了生成的控制器的动作，使得其即使在不明确的条件下也可以安全地动作。 但是，这种制约能否实现取决于不确定性。 例如，如果传感器误判100公里以内的其他车辆的位置，往往无法确保安全。

这种做法还以模糊公式的形式产生限制。 开发者可以以该公式为基准，从给定的目录中选择合适的传感器。 该公式还可以用于分解不确定性，例如在控制器与其他部件组合时，不确定性是如何传播的。 这种方法使模糊性认知和安全控制器的结构更加简单和系统化，并使开发人员能够灵活地分解各种感知的模糊性。 这样可以提高整个控制器系统的安全性。

这种方法除了自动驾驶车以外，还可以用于与外部环境对话的各种控制系统。 该小组试图泛化这种方法，以解决更大范围的不确定性，如错误分类问题的解决(物体分类器模块将物体分类为错误类别)。