論文の概要: Model Error Propagation via Learned Contraction Metrics for Safe
Feedback Motion Planning of Unknown Systems
- arxiv url: http://arxiv.org/abs/2104.08695v1
- Date: Sun, 18 Apr 2021 03:34:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-22 12:59:06.121014
- Title: Model Error Propagation via Learned Contraction Metrics for Safe
Feedback Motion Planning of Unknown Systems
- Title（参考訳）: 未知系の安全なフィードバック動作計画のための学習収縮指標によるモデル誤差伝播
- Authors: Glen Chou, Necmiye Ozay, and Dmitry Berenson
- Abstract要約: 本稿では,局所的に安定化可能な動的システムの収縮に基づくフィードバック動作計画法を提案する。
動的データセットが与えられたとき、本手法はダイナミクスの深い制御親和近似を学習する。
4dカー,6dクワッドローター,22d変形可能なオブジェクト操作タスクにおいて,高次元不動システムの学習モデルを用いて,提案手法を安全に提示する。
- 参考スコア（独自算出の注目度）: 4.702729080310267
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a method for contraction-based feedback motion planning of locally
incrementally exponentially stabilizable systems with unknown dynamics that
provides probabilistic safety and reachability guarantees. Given a dynamics
dataset, our method learns a deep control-affine approximation of the dynamics.
To find a trusted domain where this model can be used for planning, we obtain
an estimate of the Lipschitz constant of the model error, which is valid with a
given probability, in a region around the training data, providing a local,
spatially-varying model error bound. We derive a trajectory tracking error
bound for a contraction-based controller that is subjected to this model error,
and then learn a controller that optimizes this tracking bound. With a given
probability, we verify the correctness of the controller and tracking error
bound in the trusted domain. We then use the trajectory error bound together
with the trusted domain to guide a sampling-based planner to return
trajectories that can be robustly tracked in execution. We show results on a 4D
car, a 6D quadrotor, and a 22D deformable object manipulation task, showing our
method plans safely with learned models of high-dimensional underactuated
systems, while baselines that plan without considering the tracking error bound
or the trusted domain can fail to stabilize the system and become unsafe.
- Abstract（参考訳）: 確率的安全性と到達可能性の保証を提供する未知のダイナミクスを持つ局所的に指数関数的に安定化するシステムの収縮に基づくフィードバック動作計画法を提案する。
動的データセットが与えられたとき、本手法はダイナミクスの深い制御親和近似を学習する。
このモデルが計画に使用できる信頼された領域を見つけるために、トレーニングデータ周辺の領域において、与えられた確率で有効となるモデルエラーのリプシッツ定数を推定し、局所的空間変動モデルエラーバウンドを提供する。
我々は、このモデル誤差を受ける縮尺型コントローラに対して軌道追跡誤差を導出し、このトラッキング境界を最適化するコントローラを学習する。
与えられた確率で、制御器の正しさと信頼された領域にバインドされたトラッキングエラーを検証する。
次に、信頼されたドメインにバインドされた軌道エラーを使用して、サンプリングベースのプランナーに、実行時にロバストに追跡可能な軌道を返すようにガイドします。
本研究では,4Dカー,6Dクオータ,22Dデフォルマブルオブジェクト操作タスクにおいて,高次元不動系の学習モデルを用いて,提案手法の計画を安全に示すとともに,トラッキングエラーや信頼ドメインを考慮せずに計画するベースラインがシステムの安定化に失敗し,安全性が損なわれることを示す。
関連論文リスト
- Model Checking for Closed-Loop Robot Reactive Planning [0.0]
モデル検査を用いて、ディファレンシャルドライブホイールロボットの多段階計画を作成することにより、即時危険を回避できることを示す。
簡単な生物エージェントのエゴセントリックな反応を反映した,小型で汎用的なモデル検査アルゴリズムを用いて,リアルタイムで計画を生成する。
論文 参考訳（メタデータ） (2023-11-16T11:02:29Z) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳（メタデータ） (2023-02-12T14:30:03Z) - Statistical Safety and Robustness Guarantees for Feedback Motion
Planning of Unknown Underactuated Stochastic Systems [1.0323063834827415]
本研究では, 平均力学モデルを用いたサンプリングベースプランナを提案し, 学習外乱境界による閉ループ追従誤差を同時に有界化する。
この保証は,10次元四角形ロボットのシミュレーションや,クレージーフライ四角形ロボットとクリアパスジャカルロボットの現実世界でのシミュレーションにおいて,経験的安全性に変換されることを検証した。
論文 参考訳（メタデータ） (2022-12-13T19:38:39Z) - Safe Output Feedback Motion Planning from Images via Learned Perception
Modules and Contraction Theory [6.950510860295866]
本稿では、実行時の安全性と目標到達性を保証する不確実な制御-アフィン非線形システムのクラスを示す。
我々は、観測から状態のサブセットを逆転させようとする知覚システムを訓練し、知覚誤差の上限を推定する。
次に、収縮理論を用いて安定化状態フィードバックコントローラと収束状態オブザーバを設計する。
この制御器が動的および不正確な状態推定における誤差を受ける場合、軌道追従誤差を導出する。
論文 参考訳（メタデータ） (2022-06-14T02:03:27Z) - Trajectory Forecasting from Detection with Uncertainty-Aware Motion
Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。
本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文 参考訳（メタデータ） (2022-02-03T09:09:56Z) - Monitoring Model Deterioration with Explainable Uncertainty Estimation
via Non-parametric Bootstrap [0.0]
一度デプロイされた機械学習モデルを監視することは難しい。
ラベル付きデータが到達範囲を超えている場合、実際のシナリオでモデルをいつ再トレーニングするかを判断するのはさらに難しい。
本研究では,非パラメトリックブートストラップ型不確実性推定とSHAP値を用いて説明可能な不確実性推定を行う。
論文 参考訳（メタデータ） (2022-01-27T17:23:04Z) - Guaranteed Trajectory Tracking under Learned Dynamics with Contraction Metrics and Disturbance Estimation [5.147919654191323]
本稿では,制約指標と外乱推定に基づく軌道中心学習制御へのアプローチを提案する。
提案するフレームワークは、平面四重項の例で検証される。
論文 参考訳（メタデータ） (2021-12-15T15:57:33Z) - Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。
まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。
次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
論文 参考訳（メタデータ） (2021-11-18T23:21:00Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-09T05:57:43Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳（メタデータ） (2020-04-07T12:29:06Z)
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。