19、机器学习在底盘控制与仓库交互场景中的应用探索

机器学习在底盘控制与仓库交互场景中的应用探索

1. 底盘控制中机器学习的安全保障

1.1 分类器评估与技术选择

在底盘控制系统中应用机器学习时，需要为目标任务相关的分类器定义接受标准，例如在所有验证数据集上达到特定的类别精度。基于一系列评估指标，可以论证分类器对于目标任务的基本能力。对于真负率（TNR）而言，AGLVQ 技术通常较为适用，其高可解释性有助于深入分析函数及其行为。不过，已知的局限性以及相关后果仍给训练数据和验证结果带来了举证责任。

1.2 经验教训

对 TNR 在安全关键系统（ASIL B）中的应用评估带来了一些经验教训，同时也存在一些待解决的问题。底盘控制功能相关的系统级安全目标具有一定特性，当路面被认为是干燥时，系统能够进入安全状态，从而采用保守的牵引力控制策略。这使得系统在输入模糊的情况下可设计为输出无效信息，必要时还能将音频信号偏向干燥路面的原型。

该方法的鲁棒性和可解释性有助于对机器学习组件进行深入分析。通过分析生成的原型、它们在运行时对当前情况的适应以及相应的决策空间，可以将专家知识融入质量评估中。此外，由于函数的连续性带来的鲁棒性，极大地促进了对诸如轮胎花纹深度等因素影响的研究。这使得在覆盖分析中考虑的维度减少，从而显著减少了现场测试的工作量。

然而，在用于评估所选训练数据完整性的领域模型所需的粒度级别，以及与统计性能指标相关的定量测试停止标准方面，仍存在疑问。不可避免地，系统开发和保障需要采用迭代方法，通过现场验证来确认领域模型是否具有足够的细节，以及分析、模拟和测试过程中所做的假设是否有效。目前的安全标准，如 ISO 26262 和 ISO/PAS 21448，并未解决这些问题。项