自律システムが複雑化し、社会で重要な役割を果たす中、深層学習技術を使用して難しいモデル化が必要なシステムのモデリングと制御に成功が見られました。しかし、これらのシステムに対する安全保証は依然として困難であり、本研究では最初の原理から導出されない動力学を持つシステムに対する安全保証を提供することに焦点を当てています。我々は、データからシステム動力学のアンサンブルモデルを学習し、アンサンブル不確実性を利用して最大堅牢制御不変集合を計算し、その後系統的なモデル不確実性内で安全制約が満たされることが保証されるようなコントローラーも生成します。この手法は模擬ケーススタディとTurtleBotでのハードウェア実験で効果的であることが示されています。
自律システムは現代社会の機能にますます重要な役割を果たしていますが、伝統的なモデリング技術ではこれらの複雑さに対応することが難しくなっています。深層学習の最近の進歩は高度に複雑な動力学や可変環境に依存した動力学への条件付きダイナミクスなど、多くの自律システム向け強力な制御パフォーマンスを示しています。ただし、予測不確実性がニューラルネットワークモデル内部で問題視されることから危険行動や失敗が発生する可能性もあります。
本研究では未知かつ最初の原理から導出することが困難な動力学を持つシステム向けに安全保証方法に関心があります。まず、系統的ダイナミクスモデルおよびモデル不確実性メジャーと共に通常ダイナミクスモデルを学習します。次に、定義済み適合性モデル不確実性セット内で実現されたモデル不確実性条件下で安全制約満足が保証されるよう最大堅牢制御不変集合およびコントローラー計算します。
HJ到達可能解析はV(x, t) の計算手段として提供されます。V(x, t) はHamilton-Jacobi-Issacs変分不等式(HJI-VI)[16] [18] の粘度解です。
我々はまたアンサンブルダイナミクス表現方法も提供します。N個完全連結フィードフォーワードニューラル ネット ワークから成るアンサンブルダイナミクス モデ ル をトレーニングしました。
To Another Language
from source content
arxiv.org
Thông tin chi tiết chính được chắt lọc từ
by Hao Wang,Jav... lúc arxiv.org 03-12-2024
https://arxiv.org/pdf/2403.05771.pdfYêu cầu sâu hơn