論文の概要: Efficient Reachability Analysis of Closed-Loop Systems with Neural Network Controllers

• arxiv url: http://arxiv.org/abs/2101.01815v1
• Date: Tue, 5 Jan 2021 22:30:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 12:38:40.108805
• Title: Efficient Reachability Analysis of Closed-Loop Systems with Neural Network Controllers
• Title（参考訳）: ニューラルネットワーク制御器を用いた閉ループシステムの効率的な到達性解析
• Authors: Michael Everett, Golnaz Habibi, Jonathan P. How
• Abstract要約: 本研究は,NNコントローラを用いた前方到達可能な閉ループシステムの推定に焦点をあてる。 最近の研究は到達可能な集合の境界を提供するが、計算効率の高いアプローチは過度に保守的な境界を提供する。 この作業は、NNコントローラによる閉ループシステムの到達可能性解析のための凸最適化問題を定式化することでギャップを埋める。
• 参考スコア（独自算出の注目度）: 39.27951763459939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Networks (NNs) can provide major empirical performance improvements for robotic systems, but they also introduce challenges in formally analyzing those systems' safety properties. In particular, this work focuses on estimating the forward reachable set of closed-loop systems with NN controllers. Recent work provides bounds on these reachable sets, yet the computationally efficient approaches provide overly conservative bounds (thus cannot be used to verify useful properties), whereas tighter methods are too intensive for online computation. This work bridges the gap by formulating a convex optimization problem for reachability analysis for closed-loop systems with NN controllers. While the solutions are less tight than prior semidefinite program-based methods, they are substantially faster to compute, and some of the available computation time can be used to refine the bounds through input set partitioning, which more than overcomes the tightness gap. The proposed framework further considers systems with measurement and process noise, thus being applicable to realistic systems with uncertainty. Finally, numerical comparisons show $10\times$ reduction in conservatism in $\frac{1}{2}$ of the computation time compared to the state-of-the-art, and the ability to handle various sources of uncertainty is highlighted on a quadrotor model.
• Abstract（参考訳）: ニューラルネットワーク(NN)は、ロボットシステムに大きな経験的パフォーマンス改善を提供するが、これらのシステムの安全性特性を公式に解析する上での課題も導入する。 特に、この研究はnnコントローラを用いたクローズドループシステムの前方到達可能集合の推定に焦点を当てている。 最近の研究は、これらの到達可能な集合の境界を提供するが、計算効率の良いアプローチは(有用性を検証するのに使用できない)過度に保守的な境界を提供する。 この研究はnnコントローラを用いた閉ループシステムの到達可能性解析のための凸最適化問題を定式化することでギャップを埋める。 解は半定値のプログラムベースの手法よりも厳密でないが、計算は極めて高速であり、利用可能な計算時間の一部は、厳密性ギャップを克服するよりも、入力集合分割によって境界を洗練するために使うことができる。 提案手法は,不確実性のある現実的なシステムに適用可能な,計測およびプロセスノイズのあるシステムについても検討する。 最後に、数値比較により、計算時間の10\times$が、最先端と比較して計算時間の$\frac{1}{2}$で減少し、様々な不確実性源を扱う能力が四重項モデル上で強調される。

関連論文リスト

• TTT: A Temporal Refinement Heuristic for Tenuously Tractable Discrete Time Reachability Problems [8.696305200911455]
  到達可能な集合計算は制御系を解析するための重要なツールである。 時間的改善を行うための自動フレームワークを導入する。 提案アルゴリズムは,20～70%の時間で,ベースラインアプローチに類似した誤差で近似到達可能な集合を生成することができることを示す。
  論文  参考訳（メタデータ） (2024-07-19T15:16:25Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Interval Reachability of Nonlinear Dynamical Systems with Neural Network Controllers [5.543220407902113]
  本稿では、ニューラルネットワークコントローラを用いた非線形連続時間力学系の厳密な検証のための区間解析に基づく計算効率の良いフレームワークを提案する。 混合単調理論に着想を得て,ニューラルネットワークの包摂関数と開ループシステムの分解関数を用いて,閉ループ力学をより大きなシステムに組み込む。 埋め込みシステムの単一軌跡を用いて、到達可能な集合の超矩形超近似を効率的に計算できることが示される。
  論文  参考訳（メタデータ） (2023-01-19T06:46:36Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Reachability Analysis of Neural Feedback Loops [34.94930611635459]
  本研究は, NNコントローラ付き閉ループシステム) の前方到達可能なフィードバックループの推定に焦点をあてる。 最近の研究は、これらの到達可能な集合に境界を与えるが、計算的に抽出可能なアプローチは過度に保守的な境界をもたらす。 この研究は、NNコントローラを用いた閉ループシステムの到達可能性解析のための凸最適化問題を定式化することによってギャップを埋める。
  論文  参考訳（メタデータ） (2021-08-09T16:11:57Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• Robustness Analysis of Neural Networks via Efficient Partitioning with Applications in Control Systems [45.35808135708894]
  ニューラルネットワーク(NN)は現在、不確実な環境で動作しなければならないシステムに定期的に実装されている。 本稿では、ロバストネス解析アルゴリズムのファミリを提供するために、伝播と分割のアプローチを統合する。 新しいパーティショニング技術は、現在の境界推定値と望ましい境界形状を認識している。
  論文  参考訳（メタデータ） (2020-10-01T16:51:36Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Reach-SDP: Reachability Analysis of Closed-Loop Systems with Neural Network Controllers via Semidefinite Programming [19.51345816555571]
  本稿では,ニューラルネットワークを用いた線形時間変化システムの安全性検証のための新しいフォワードリーチビリティ解析手法を提案する。 半有限計画法を用いて、これらの近似到達可能な集合を計算できることが示される。 提案手法は,まずディープニューラルネットワークを用いて非線形モデル予測制御器を近似し,その解析ツールを用いて閉ループシステムの有限時間到達性と制約満足度を証明した。
  論文  参考訳（メタデータ） (2020-04-16T18:48:25Z)

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。