Core Concepts
본 연구는 신경망 기반 고차원 도달 가능 튜브 계산 정확도를 향상시키기 위해 경계 조건을 정확하게 적용하는 새로운 방법을 제안한다.
Abstract
본 연구는 Hamilton-Jacobi 도달 가능성 분석을 활용하여 자율 시스템의 안전성과 성능을 보장하는 방법을 제안한다. 기존의 격자 기반 수치 해법은 상태 공간 차원이 증가함에 따라 계산 복잡도가 지수적으로 증가하여 고차원 문제에 적용하기 어렵다. 최근 DeepReach와 같은 학습 기반 접근법이 제안되었지만, 경계 조건을 정확하게 적용하지 못해 정확도가 저하되는 문제가 있다.
본 연구에서는 경계 조건을 정확하게 적용하는 새로운 DeepReach 변형을 제안한다. 기존 DeepReach는 경계 조건을 손실 함수의 일부로 소프트하게 적용했지만, 제안 방법은 가중치 합 형태로 경계 조건을 정확하게 만족시킨다. 이를 통해 경계 조건 학습에 대한 의존성을 제거하고 단일 손실 함수로 최적화할 수 있다. 또한 사전 학습 기법을 도입하여 초기화 의존성을 줄였다.
제안 방법은 6차원 로켓 착륙 문제와 9차원 다중 차량 충돌 회피 문제에 적용되었으며, 기존 DeepReach 대비 학습 정확도와 일관성이 크게 향상되었음을 보였다.
Stats
로켓 착륙 문제에서 제안 방법은 평균 0.33의 안전 영역을 복구할 수 있었으나, 기존 DeepReach는 어떤 안전 영역도 복구하지 못했다.
다중 차량 충돌 회피 문제에서 제안 방법은 평균 0.742의 안전 영역을 복구할 수 있었으나, 기존 DeepReach는 평균 0.627의 안전 영역만 복구할 수 있었다.