基于语义潜在表示的可变规约视觉运行时监控
本文研究在部分可观测条件下基于视觉观测的过去时间信号时序逻辑(ptSTL)的认证运行时监控。监控器需从图像中推断安全相关量并提供有限样本保证，同时要求可复用性。提出语义基础（原子鲁棒性分数向量）作为最小预测目标，单次共形校准即可认证整个片段。还提出滚动预测监控器，在短时域上表现更好，而语义基础监控器在长时域上紧度高达4倍。在Waymo数据上验证了有效性。
来源arXiv Machine Learning作者: Bardh Hoxha, Oliver Sch\"on, Hideki Okamoto, Lars Lindemann, Georgios Fainekos
在自动驾驶等安全关键系统中，确保系统行为满足安全规范至关重要。然而，由于传感器噪声和部分可观测性，从视觉输入中实时监控安全属性极具挑战。本文提出一种基于视觉的运行时监控框架，能够处理变化的安全规约，同时提供统计保证。
核心思想是利用语义潜在表示——即一组预定义的时态原子的鲁棒性分数——作为监控接口。作者证明，对于由有限时态原子字典生成的任何公式片段，该表示是最小且最优的预测目标：只需一次共形校准即可认证该片段中的所有公式，无需针对每个公式重新训练。这一特性称为可复用性，显著降低了部署成本。
除了语义基础监控器，论文还介绍了滚动预测监控器。后者仅预测当前时刻的谓词值，并在线重建历史信号，因此更易学习。但实验表明，随着预测时域增长，其保守性增加。在行人路口仿真基准上，滚动监控器在短时域（如5步）内提供更紧的认证界，而语义基础监控器在长时域（如20步）上紧度是其4倍。
在真实世界的Waymo驾驶数据集上，两种监控器均经验性地满足了共形覆盖保证，验证了其实用性。该工作为视觉监督下的安全关键系统提供了一种高效、可扩展的验证方案，尤其适用于需要频繁更新规约的自动驾驶场景。未来，研究者计划将该方法扩展到更复杂的时序逻辑和动态环境，进一步提升其通用性。