Core Concepts
본 논문에서는 불확실한 시스템 동역학과 상태 추정 오류를 고려하여 안전한 출력 피드백 제어 법칙을 학습하는 방법을 제안한다. 전문가의 안전한 시연 데이터를 활용하여 강건한 출력 제어 장벽 함수(ROCBF)를 학습함으로써 안전성을 보장한다.
Abstract
본 논문은 자율주행 차량의 안전한 제어 법칙을 학습하는 방법을 제안한다.
시스템 동역학과 상태 추정에 대한 불확실성을 고려하기 위해 강건한 출력 제어 장벽 함수(ROCBF)를 도입한다. ROCBF는 안전 집합의 제어된 전방 불변성을 보장한다.
전문가의 안전한 시연 데이터를 활용하여 ROCBF를 학습하는 최적화 문제를 정의한다. 이 문제는 일반적으로 비볼록하지만, 특정 조건 하에서 볼록해질 수 있다.
학습된 ROCBF가 유효함을 보장하는 검증 가능한 조건을 제시한다. 이 조건은 데이터 밀도, 시스템 모델 및 상태 추정기의 평활성, 오차 한계 크기 등에 의해 결정된다.
실제 구현을 위해 이론적 프레임워크를 반영하는 알고리즘을 제안한다. 이 알고리즘은 경계점 탐지, 비볼록 최적화 문제의 완화, 하이퍼파라미터 조정 등을 포함한다.
CARLA 자율주행 시뮬레이터에서 제안된 방법을 검증하고, 카메라 이미지로부터 안전한 제어 법칙을 학습하는 과정을 보여준다.
Stats
자율주행 차량의 상태 추정 오차 한계 ∆X(y)는 상태 추정기의 성능에 따라 결정된다.
시스템 동역학 모델 오차 한계 ∆F(x, t) 및 ∆G(x, t)는 시스템 식별 과정에서 추정된다.
전문가 시연 데이터 Zdyn은 안전한 주행 상황에서 수집된다.
Quotes
"본 논문에서는 불확실한 시스템 동역학과 상태 추정 오류를 고려하여 안전한 출력 피드백 제어 법칙을 학습하는 방법을 제안한다."
"전문가의 안전한 시연 데이터를 활용하여 강건한 출력 제어 장벽 함수(ROCBF)를 학습함으로써 안전성을 보장한다."