Core Concepts
Ein neuartiges adaptives Online-Lernframework für Systeme mit unsicheren Parametern zur Gewährleistung sicherheitskritischer Regelung in nicht-stationären Umgebungen.
Abstract
Vorstellung eines adaptiven Online-Lernframeworks für unsichere Systeme.
Zwei Phasen: Sparse Gaussian Process Framework und Sicherheitsfilter basierend auf High Order Control Barrier Functions.
Effektive Bewältigung der inhärenten Einschränkungen von GPs bei hochdimensionalen Problemen.
Demonstration der Wirksamkeit durch Echtzeit-Hindernisvermeidungsexperimente.
Einführung eines adaptiven Online-Lernframeworks mit spezifischer Kernel-Funktion.
Reduzierung der Zeitkomplexität für Online-Modellaktualisierungen.
Stats
"Die Zeitkomplexität für die Aktualisierung der Vorhersage wurde von O(NM^2) auf O(M^3) reduziert."
"Das Offline-Training für Hyperparameter erfordert nur einen 200-Punkte-Datensatz und 20 induzierende Punkte."
"Die Methode gewährleistet Echtzeit-Anwendbarkeit in hochfrequenten Systemen."
Quotes
"Unser Algorithmus zeigt eine höhere Datendichte als die SOGP-Methode."
"Die vorgeschlagene Methode passt sich schnell an die Daten in Gegenwart statischer Hindernisse an."