基於語義潛在表示的可變規約視覺執行時監控
本文研究在部分可觀測條件下基於視覺觀測的過去時間訊號時序邏輯(ptSTL)的認證執行時監控。監控器需從影像中推斷安全相關量並提供有限樣本保證，同時要求可複用性。提出語義基礎（原子魯棒性分數向量）作為最小預測目標，單次共形校準即可認證整個片段。還提出滾動預測監控器，在短時域上表現更好，而語義基礎監控器在長時域上緊度高達4倍。在Waymo資料上驗證了有效性。
來源arXiv Machine Learning作者: Bardh Hoxha, Oliver Sch\"on, Hideki Okamoto, Lars Lindemann, Georgios Fainekos
在自動駕駛等安全關鍵系統中，確保系統行為滿足安全規範至關重要。然而，由於感測器噪聲和部分可觀測性，從視覺輸入中即時監控安全屬性極具挑戰。本文提出一種基於視覺的執行時監控框架，能夠處理變化的安全規約，同時提供統計保證。
核心思想是利用語義潛在表示——即一組預定義的時態原子的魯棒性分數——作為監控介面。作者證明，對於由有限時態原子字典生成的任何公式片段，該表示是最小且最優的預測目標：只需一次共形校準即可認證該片段中的所有公式，無需針對每個公式重新訓練。這一特性稱為可複用性，顯著降低了部署成本。
除了語義基礎監控器，論文還介紹了滾動預測監控器。後者僅預測當前時刻的謂詞值，並線上重建歷史訊號，因此更易學習。但實驗表明，隨著預測時域增長，其保守性增加。在行人路口模擬基準上，滾動監控器在短時域（如5步）內提供更緊的認證界，而語義基礎監控器在長時域（如20步）上緊度是其4倍。
在真實世界的Waymo駕駛資料集上，兩種監控器均經驗性地滿足了共形覆蓋保證，驗證了其實用性。該工作為視覺監督下的安全關鍵系統提供了一種高效、可擴充套件的驗證方案，尤其適用於需要頻繁更新規約的自動駕駛場景。未來，研究者計劃將該方法擴充套件到更復雜的時序邏輯和動態環境，進一步提升其通用性。