論文の概要: Learning Differentiable Safety-Critical Control using Control Barrier
Functions for Generalization to Novel Environments
- arxiv url: http://arxiv.org/abs/2201.01347v1
- Date: Tue, 4 Jan 2022 20:43:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-06 14:55:53.035139
- Title: Learning Differentiable Safety-Critical Control using Control Barrier
Functions for Generalization to Novel Environments
- Title(参考訳): 新しい環境への一般化のための制御バリア関数を用いた可変安全臨界制御の学習
- Authors: Hengbo Ma, Bike Zhang, Masayoshi Tomizuka, and Koushil Sreenath
- Abstract要約: 制御バリア機能(CBF)は、制御システムの安全性を強制するための一般的なツールとなっている。
本稿では,最適化に基づく安全クリティカル制御フレームワークを提案する。
- 参考スコア(独自算出の注目度): 16.68313219331689
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Control barrier functions (CBFs) have become a popular tool to enforce safety
of a control system. CBFs are commonly utilized in a quadratic program
formulation (CBF-QP) as safety-critical constraints. A class $\mathcal{K}$
function in CBFs usually needs to be tuned manually in order to balance the
trade-off between performance and safety for each environment. However, this
process is often heuristic and can become intractable for high relative-degree
systems. Moreover, it prevents the CBF-QP from generalizing to different
environments in the real world. By embedding the optimization procedure of the
CBF-QP as a differentiable layer within a deep learning architecture, we
propose a differentiable optimization-based safety-critical control framework
that enables generalization to new environments with forward invariance
guarantees. Finally, we validate the proposed control design with 2D double and
quadruple integrator systems in various environments.
- Abstract(参考訳): 制御バリア機能(CBF)は、制御システムの安全性を強制するための一般的なツールとなっている。
CBFは2次プログラム定式化(CBF-QP)において、安全クリティカルな制約として一般的に使用される。
cbfのクラス$\mathcal{k}$関数は通常、各環境のパフォーマンスと安全性のトレードオフのバランスをとるために手動で調整する必要がある。
しかし、この過程はしばしばヒューリスティックであり、高相対度系では難解となる。
さらに、CBF-QPが現実世界の異なる環境に一般化することを防ぐ。
CBF-QPの最適化手順を深層学習アーキテクチャに組み込むことにより、前向きな不変性を保証する新しい環境への一般化を可能にする、差別化可能な最適化ベースの安全クリティカル制御フレームワークを提案する。
最後に,各環境における2次元および4重積分器システムによる制御設計の検証を行った。
関連論文リスト
- Learning Performance-Oriented Control Barrier Functions Under Complex
Safety Constraints and Limited Actuation [8.1585306387285]
制御バリア関数(CBF)は非線形制御系の安全フィルタを設計するためのフレームワークを提供する。
しかし、結果の制御不変量集合の体積を同時に最大化するCBFを見つけることは、依然として重大な課題である。
本稿では,これらのハードルに直感的に対処する,新たな自己教師型学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-11T02:51:49Z) - Wasserstein Distributionally Robust Control Barrier Function using
Conditional Value-at-Risk with Differentiable Convex Programming [4.825619788907192]
制御バリア関数 (CBF) は、現実世界の安全クリティカルシステムのための安全なコントローラの設計に広く注目を集めている。
分布変化下でのレジリエンスを達成するために, 分散ロバストCBFを提案する。
また、高次システムに対するDR-CBFの近似変種も提供する。
論文 参考訳(メタデータ) (2023-09-15T18:45:09Z) - Safe Neural Control for Non-Affine Control Systems with Differentiable
Control Barrier Functions [58.19198103790931]
本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。
制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。
我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
論文 参考訳(メタデータ) (2023-09-06T05:35:48Z) - On the Optimality, Stability, and Feasibility of Control Barrier
Functions: An Adaptive Learning-Based Approach [4.399563188884702]
制御バリア機能(CBF)とその変種は、安全クリティカルな制御のために広く注目を集めている。
現在のCBFには、最適性、安定性、実現可能性という根本的な制限がある。
本稿では,適応多段階制御バリア関数 (AM-CBF) を提案し,ニューラルネットワークを用いてクラス$mathcalK$関数をパラメータ化し,強化学習ポリシーとともに学習する。
論文 参考訳(メタデータ) (2023-05-05T15:11:28Z) - Differentiable Safe Controller Design through Control Barrier Functions [8.283758049749782]
学習ベースのコントローラは、高い経験的性能を示すことができるが、正式な安全保証がない。
制御障壁関数(CBF)は、学習ベースコントローラの出力を監視・修正するための安全フィルタとして応用されている。
本稿では,CBF ベースの安全層を識別可能な NN コントローラを提案する。
論文 参考訳(メタデータ) (2022-09-20T23:03:22Z) - Recursively Feasible Probabilistic Safe Online Learning with Control
Barrier Functions [63.18590014127461]
本稿では,CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。
本研究では,ロバストな安全クリティカルコントローラの実現可能性について検討する。
次に、これらの条件を使って、イベントトリガーによるオンラインデータ収集戦略を考案します。
論文 参考訳(メタデータ) (2022-08-23T05:02:09Z) - BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。
本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
論文 参考訳(メタデータ) (2021-11-22T15:38:11Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-13T23:08:49Z) - Reinforcement Learning for Safety-Critical Control under Model
Uncertainty, using Control Lyapunov Functions and Control Barrier Functions [96.63967125746747]
強化学習フレームワークは、CBFおよびCLF制約に存在するモデル不確実性を学ぶ。
RL-CBF-CLF-QPは、安全制約におけるモデル不確実性の問題に対処する。
論文 参考訳(メタデータ) (2020-04-16T10:51:33Z) - 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。