論文の概要: DeepReach: A Deep Learning Approach to High-Dimensional Reachability
- arxiv url: http://arxiv.org/abs/2011.02082v1
- Date: Wed, 4 Nov 2020 00:47:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 22:06:43.378415
- Title: DeepReach: A Deep Learning Approach to High-Dimensional Reachability
- Title(参考訳): DeepReach: 高次元の到達性に対するディープラーニングアプローチ
- Authors: Somil Bansal, Claire Tomlin
- Abstract要約: Hamilton-Jacobi (HJ) 到達可能性解析は動的制御系の性能と安全性を保証する重要な形式的検証手法である。
本稿では,高次元到達性問題に対するニューラルPDE解法であるDeepReachを提案する。
- 参考スコア(独自算出の注目度): 6.604421202391151
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hamilton-Jacobi (HJ) reachability analysis is an important formal
verification method for guaranteeing performance and safety properties of
dynamical control systems. Its advantages include compatibility with general
nonlinear system dynamics, formal treatment of bounded disturbances, and the
ability to deal with state and input constraints. However, it involves solving
a PDE, whose computational and memory complexity scales exponentially with
respect to the number of state variables, limiting its direct use to
small-scale systems. We propose DeepReach, a method that leverages new
developments in sinusoidal networks to develop a neural PDE solver for
high-dimensional reachability problems. The computational requirements of
DeepReach do not scale directly with the state dimension, but rather with the
complexity of the underlying reachable tube. DeepReach achieves comparable
results to the state-of-the-art reachability methods, does not require any
explicit supervision for the PDE solution, can easily handle external
disturbances, adversarial inputs, and system constraints, and also provides a
safety controller for the system. We demonstrate DeepReach on a 9D
multi-vehicle collision problem, and a 10D narrow passage problem, motivated by
autonomous driving applications.
- Abstract(参考訳): Hamilton-Jacobi (HJ) 到達可能性解析は動的制御系の性能と安全性を保証する重要な形式的検証手法である。
その利点は、一般的な非線形システムのダイナミクスとの互換性、境界外乱の形式的処理、状態と入力の制約を扱う能力などである。
しかし、PDEの計算とメモリの複雑さは、状態変数の数に関して指数関数的にスケールし、その直接的な使用を小規模システムに制限する。
本稿では,高次元到達性問題に対するニューラルPDEソルバを開発するために,正弦波ネットワークの新しい展開を利用するDeepReachを提案する。
DeepReachの計算要求は状態次元と直接スケールするのではなく、基礎となる到達可能なチューブの複雑さによってスケールする。
DeepReachは最先端のリーチビリティ手法に匹敵する結果を達成し、PDEソリューションの明示的な監督を必要とせず、外部の障害や逆入力、システムの制約を簡単に扱えるとともに、システムのための安全コントローラも提供する。
そこで,DeepReachは,9次元多車衝突問題と,自律運転による10次元狭路問題について実演する。
関連論文リスト
- Verification of Neural Reachable Tubes via Scenario Optimization and
Conformal Prediction [12.296848179858786]
Hamilton-Jacobiリーチビリティ分析は、そのような保証を提供するための一般的な形式的検証ツールである。
DeepReachは、高次元システムのための到達可能なチューブと安全コントローラの合成に使用されている。
本稿では,確率論的安全性を保証するために,頑健なシナリオ最適化と共形予測に基づく2つの検証手法を提案する。
論文 参考訳(メタデータ) (2023-12-14T02:03:36Z) - The Hard-Constraint PINNs for Interface Optimal Control Problems [1.7420783448179855]
物理インフォームドニューラルネットワーク(PINN)は,インターフェースといくつかの制御制約による最適制御問題に応用可能であることを示す。
結果として得られるアルゴリズムはメッシュフリーで、異なるPDEに対してスケーラブルであり、制御の制約を厳格に保証する。
論文 参考訳(メタデータ) (2023-08-13T07:56:01Z) - A Stable and Scalable Method for Solving Initial Value PDEs with Neural
Networks [52.5899851000193]
我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。
このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。
まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
論文 参考訳(メタデータ) (2023-04-28T17:28:18Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳(メタデータ) (2023-01-30T04:58:40Z) - Generating Formal Safety Assurances for High-Dimensional Reachability [4.523089386111081]
Hamilton-Jacobi (HJ) の到達可能性分析は、自律システムの安全性と性能を保証するための一般的な公式な検証ツールである。
最近提案されたDeepReachと呼ばれる手法は、正弦波型ニューラルネットワークPDEソルバを高次元到達性問題に活用することで、この問題を克服している。
本稿では,DeepReach解の誤差を計算し,真の到達可能なチューブを安全に近似する手法を提案する。
論文 参考訳(メタデータ) (2022-09-25T22:15:53Z) - Investigating and Mitigating Failure Modes in Physics-informed Neural
Networks (PINNs) [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた偏微分方程式(PDE)の解法について検討する。
PINNは客観的関数の正規化用語として物理を用いるが、この手法はデータの欠如や解の事前知識の欠如において実用的ではない。
以上の結果から,高次PDEは逆伝播勾配を汚染し,収束を阻害することが明らかとなった。
論文 参考訳(メタデータ) (2022-09-20T20:46:07Z) - LordNet: Learning to Solve Parametric Partial Differential Equations
without Simulated Data [63.55861160124684]
本稿では,離散化されたPDEによって構築された平均2乗残差(MSR)損失から,ニューラルネットワークが直接物理を学習する一般データ自由パラダイムを提案する。
具体的には,低ランク分解ネットワーク(LordNet)を提案する。
Poisson方程式とNavier-Stokes方程式を解く実験は、MSR損失による物理的制約がニューラルネットワークの精度と能力を向上させることを実証している。
論文 参考訳(メタデータ) (2022-06-19T14:41:08Z) - Mitigating Learning Complexity in Physics and Equality Constrained
Artificial Neural Networks [0.9137554315375919]
偏微分方程式(PDE)の解を学ぶために物理インフォームドニューラルネットワーク(PINN)が提案されている。
PINNでは、利害関係のPDEの残留形態とその境界条件は、軟罰として複合目的関数にまとめられる。
本稿では,この目的関数を定式化する方法が,異なる種類のPDEに適用した場合のPINNアプローチにおける厳しい制約の源であることを示す。
論文 参考訳(メタデータ) (2022-06-19T04:12:01Z) - Chance-Constrained Control with Lexicographic Deep Reinforcement
Learning [77.34726150561087]
本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。
有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
論文 参考訳(メタデータ) (2020-10-19T13:09:14Z) - Learning to Control PDEs with Differentiable Physics [102.36050646250871]
本稿では,ニューラルネットワークが長い時間をかけて複雑な非線形物理系の理解と制御を学べる新しい階層型予測器・相関器手法を提案する。
本手法は,複雑な物理系の理解に成功し,PDEに関わるタスクに対してそれらを制御できることを実証する。
論文 参考訳(メタデータ) (2020-01-21T11:58:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。