論文の概要: Gaussian Control Barrier Functions : A Non-Parametric Paradigm to Safety

• arxiv url: http://arxiv.org/abs/2203.15474v1
• Date: Tue, 29 Mar 2022 12:21:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 17:07:45.918827
• Title: Gaussian Control Barrier Functions : A Non-Parametric Paradigm to Safety
• Title（参考訳）: ガウス制御バリア機能 : 安全のための非パラメトリックパラダイム
• Authors: Mouhyemen Khan, Tatsuya Ibuki, Abhijit Chatterjee
• Abstract要約: ガウス過程(GP)を用いたCBFのオンライン合成のための非パラメトリック手法を提案する。 GPは解析的トラクタビリティやロバストな不確実性推定などの非パラメトリック性に加えて、好ましい性質を持つ。 固定的かつ任意の安全な集合に対する安全な制御を実証することにより、クワッド上で実験により検証する。
• 参考スコア（独自算出の注目度）: 7.921648699199647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by the success of control barrier functions (CBFs) in addressing safety, and the rise of data-driven techniques for modeling functions, we propose a non-parametric approach for online synthesis of CBFs using Gaussian Processes (GPs). Mathematical constructs such as CBFs have achieved safety by designing a candidate function a priori. However, designing such a candidate function can be challenging. A practical example of such a setting would be to design a CBF in a disaster recovery scenario where safe and navigable regions need to be determined. The decision boundary for safety in such an example is unknown and cannot be designed a priori. In our approach, we work with safety samples or observations to construct the CBF online by assuming a flexible GP prior on these samples, and term our formulation as a Gaussian CBF. GPs have favorable properties, in addition to being non-parametric, such as analytical tractability and robust uncertainty estimation. This allows realizing the posterior components with high safety guarantees by incorporating variance estimation, while also computing associated partial derivatives in closed-form to achieve safe control. Moreover, the synthesized safety function from our approach allows changing the corresponding safe set arbitrarily based on the data, thus allowing non-convex safe sets. We validate our approach experimentally on a quadrotor by demonstrating safe control for fixed but arbitrary safe sets and collision avoidance where the safe set is constructed online. Finally, we juxtapose Gaussian CBFs with regular CBFs in the presence of noisy states to highlight its flexibility and robustness to noise. The experiment video can be seen at: https://youtu.be/HX6uokvCiGk
• Abstract（参考訳）: 安全対策における制御障壁関数(CBF)の成功とモデリング機能のためのデータ駆動手法の台頭に着想を得て,ガウス過程(GP)を用いたCBFのオンライン合成のための非パラメトリックアプローチを提案する。 CBFのような数学的構造は、候補関数を事前設計することで安全性を達成している。 しかし、そのような候補関数を設計することは困難である。 そのような設定の実践的な例は、安全で航行可能な地域を決定する必要がある災害復旧シナリオでCBFを設計することである。 このような例における安全のための決定境界は未知であり、事前設計はできない。 提案手法では,これらの試料に先立ってフレキシブルGPを仮定し,安全試料や観測値を用いてCBFをオンライン構築し,ガウス型CBFと表現する。 GPは解析的トラクタビリティやロバストな不確実性推定などの非パラメトリック性に加えて、好ましい性質を持つ。 これにより、分散推定を取り入れた後続成分を高い安全性で実現でき、また、クローズド形式の部分微分を計算して安全に制御できる。 さらに,本手法から合成した安全関数は,データに基づいて対応するセーフセットを任意に変更できるため,非凸セーフセットを許容する。 本手法は, オンライン上で安全なセットが構築されている場合の衝突回避と, 固定セットに対する安全な制御を実証することにより, クオータ上で実験的に検証する。 最後に,ガウスのCBFを正規のCBFと混同し,ノイズに対する柔軟性と堅牢性を強調する。 実験ビデオは、https://youtu.be/hx6uokvcigkで見ることができる。

関連論文リスト

• Information-Theoretic Safe Bayesian Optimization [59.758009422067005]
  そこでは、未知の(安全でない)制約に反するパラメータを評価することなく、未知の関数を最適化することを目的としている。 現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。 本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
  論文  参考訳（メタデータ） (2024-02-23T14:31:10Z)
• Exact Verification of ReLU Neural Control Barrier Functions [25.44521208451216]
  制御バリア関数(CBF)は非線形システムの安全な制御のための一般的なアプローチである。 CBFをニューラルネットワークとして表現する最近の機械学習手法は、非常に有望である。 本稿では,ReLU アクティベーション機能付きフィードフォワード NCBF の安全性を検証するための,新しい正確な条件とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T18:59:04Z)
• Bayesian Optimization with Formal Safety Guarantees via Online Conformal Prediction [36.14499894307206]
  ブラックボックスゼロ階最適化は、金融、物理学、工学といった分野における応用において中心的な原始である。 本稿では,提案手法の安全性に関するフィードバックも提供するシナリオについて検討する。 制約関数の性質に関わらず、安全要件を満たす新しいBOベースのアプローチが導入された。
  論文  参考訳（メタデータ） (2023-06-30T17:26:49Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  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。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、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する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• 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)
• 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)
• 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。