46、基于可实验数字孪生的场景驱动数据生成与建筑工地环境建模方法

基于可实验数字孪生的场景驱动数据生成与建筑工地环境建模方法

机器学习系统的数据生成挑战与解决方案

随着基于机器学习（ML）的系统日益复杂，确保系统的正确性和可信度变得至关重要。与传统算法不同，ML算法是数据驱动的，其“推理”和结果往往难以预测和解释，导致系统透明度丧失。传统软件开发中的测试技术在ML系统中效果不佳或需大幅修改。此外，数据收集过程成本高昂甚至在某些情况下不可行，因此模拟合成数据成为补充数据需求的有效方法。

为解决这些问题，提出了一种基于形式化场景、语义参数变化和可实验数字孪生（EDT）的合成数据生成方法。该方法通过正式的应用场景描述、场景变化描述和可实验数字孪生，实现了数据生成过程的透明性和形式化，并通过场景分布和EDT配置控制数据质量。

现有技术分析

在实现基于模拟的变化方面，通常在所选模拟平台中明确建模目标场景并相应改变其参数。同时，对抗性方法也越来越多地用于挑战基于ML的系统。然而，这些方法缺乏对场景和参数的通用、平台无关且语义有意义的描述。

一些研究使用可配置场景语法、概率编程语言等描述场景，但存在处理复杂概率分布和参数间约束的不足。此外，还有许多用于验证ML模型的框架，但大多未考虑参数的语义意义。

场景变化方法

该方法包括以下步骤：
1. 场景配置 ：
- 抽象场景 ：描述环境、参与实体、动作和目标，部分参数抽象，需用人类可读和正式语法指定，语义完整且一致。例如，车辆变道的抽象场景可描述为：给定有p1条车道的道路，初始位于p2车道、速度为p3的车辆在p4分钟后移动到p1 -