19、机器学习在底盘控制与仓库安全交互中的应用探讨

机器学习在底盘控制与仓库安全交互中的应用探讨

1. 底盘控制中机器学习的安全保障

在底盘控制系统中应用机器学习，需要对相关技术进行安全保障评估。

1.1 分类器能力评估

为目标任务的分类器定义接受标准，例如在所有验证数据集上达到一定的类别精度。基于多种评估指标的组合，来论证分类器对于目标任务的基本能力。在真负率（TNR）方面，AGLVQ 通常是合适的，其高度的可解释性允许对函数及其行为进行深入分析。不过，已知的局限性及其后果仍给训练数据和验证结果带来了证明负担。

1.2 经验教训

• 安全策略设计 ：对于安全关键系统（ASIL B）的 TNR 评估，得出了一些经验教训。由于底盘控制功能相关的系统级安全目标性质，如果路面可视为干燥，就能实现安全状态，从而采用保守的牵引力控制策略。这使得功能可以在输入模糊的情况下指示无效输出，并在需要时将音频信号偏向干燥原型。
• 机器学习组件分析 ：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。能够分析生成的原型、它们在运行时对当前情况的适应以及相应的决策空间，从而将专家知识纳入质量评估。此外，由于功能的连续性带来的鲁棒性，极大地促进了对诸如胎面深度等因素影响的研究，减少了覆盖分析中考虑的维度，进而显著减少了现场测试的数量。

然而，在评估所选训练数据完整性的领域模型所需的粒度水平以及与统计性能指标相关的定量测试停止标准方面，仍然存在一些未解决的问题。目前的安全标准如 ISO 26262 和 ISO/PAS 21448 并未解决这些问题。项目中采用的方法