論文の概要: Case Studies for Computing Density of Reachable States for Safe
Autonomous Motion Planning
- arxiv url: http://arxiv.org/abs/2209.08073v1
- Date: Fri, 16 Sep 2022 17:38:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 13:24:54.210400
- Title: Case Studies for Computing Density of Reachable States for Safe
Autonomous Motion Planning
- Title（参考訳）: 安全な自律運動計画のための到達状態の計算密度のケーススタディ
- Authors: Yue Meng, Zeng Qiu, Md Tawhid Bin Waez, Chuchu Fan
- Abstract要約: 到達可能な状態の密度は、安全クリティカルなシステムのリスクを理解するのに役立つ。
最近の研究は、自律システムの前方到達可能な状態の密度分布をオンラインで計算するためのデータ駆動型アプローチを提供する。
本稿では,不確実性を考慮した安全な経路計画のためのモデル予測制御とモデル予測制御の併用について検討する。
- 参考スコア（独自算出の注目度）: 8.220217498103313
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Density of the reachable states can help understand the risk of
safety-critical systems, especially in situations when worst-case reachability
is too conservative. Recent work provides a data-driven approach to compute the
density distribution of autonomous systems' forward reachable states online. In
this paper, we study the use of such approach in combination with model
predictive control for verifiable safe path planning under uncertainties. We
first use the learned density distribution to compute the risk of collision
online. If such risk exceeds the acceptable threshold, our method will plan for
a new path around the previous trajectory, with the risk of collision below the
threshold. Our method is well-suited to handle systems with uncertainties and
complicated dynamics as our data-driven approach does not need an analytical
form of the systems' dynamics and can estimate forward state density with an
arbitrary initial distribution of uncertainties. We design two challenging
scenarios (autonomous driving and hovercraft control) for safe motion planning
in environments with obstacles under system uncertainties. We first show that
our density estimation approach can reach a similar accuracy as the
Monte-Carlo-based method while using only 0.01X training samples. By leveraging
the estimated risk, our algorithm achieves the highest success rate in goal
reaching when enforcing the safety rate above 0.99.
- Abstract（参考訳）: 到達可能な状態の密度は、特に最悪の場合の到達性が保守的すぎる状況において、安全クリティカルなシステムのリスクを理解するのに役立つ。
最近の研究は、自律システムの前方到達可能な状態の密度分布を計算するためのデータ駆動アプローチを提供する。
本稿では,不確実性を考慮した安全経路計画のためのモデル予測制御と組み合わせた手法について検討する。
まず,オンライン上での衝突リスクを計算するために,学習密度分布を用いた。
このようなリスクが許容しきい値を超えると、しきい値以下で衝突するリスクを伴って、前回の軌道周りの新しい経路を計画する。
データ駆動型アプローチではシステムのダイナミクスの分析形式は不要であり,不確実性の任意の初期分布で前方状態密度を推定できるため,不確実性や複雑な力学を扱うのに適している。
システム不確実性下で障害物のある環境での安全動作計画のための2つの課題(自律運転とホバークラフト制御)を設計。
我々はまず,0.01Xのトレーニングサンプルのみを用いて,モンテカルロ法と同等の精度が得られることを示す。
推定リスクを活用することで,0.99以上の安全度を達成した場合のゴール到達率が最も高い。
関連論文リスト
- Sequential Manipulation Against Rank Aggregation: Theory and Algorithm [119.57122943187086]
脆弱なデータ収集プロセスに対するオンライン攻撃を活用します。
ゲーム理論の観点からは、対決シナリオは分布的に堅牢なゲームとして定式化される。
提案手法は,ランクアグリゲーション手法の結果を逐次的に操作する。
論文 参考訳（メタデータ） (2024-07-02T03:31:21Z) - Verification of Neural Reachable Tubes via Scenario Optimization and Conformal Prediction [10.40899456282141]
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) - SafeDiffuser: Safe Planning with Diffusion Probabilistic Models [97.80042457099718]
拡散モデルに基づくアプローチは、データ駆動計画において有望であるが、安全保証はない。
我々は,拡散確率モデルが仕様を満たすことを保証するために,SafeDiffuserと呼ばれる新しい手法を提案する。
提案手法は,迷路経路の生成,足歩行ロボットの移動,空間操作など,安全な計画作業の一連のテストを行う。
論文 参考訳（メタデータ） (2023-05-31T19:38:12Z) - Safe motion planning with environment uncertainty [1.4824891788575418]
本稿では,ロボットの状態と環境の不確実性を考慮した安全な運動計画手法を提案する。
我々はまず,ロボットのローカライゼーションにおける画期的な不確実性を考慮したアプローチを開発する。
次に、衝突確率の正確な式を計算することにより、最先端の手法を拡張する。
論文 参考訳（メタデータ） (2023-05-10T09:29:41Z) - 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 Density Distribution of Reachable States for Autonomous Systems [7.900957413198177]
状態密度分布は、安全性に関する問題に活用できる。
本研究では,非線形システムやブラックボックスシステムに対して,到達可能な状態の密度分布を計算するためのデータ駆動手法を提案する。
論文 参考訳（メタデータ） (2021-09-14T14:43:59Z) - Towards Safe Policy Improvement for Non-Stationary MDPs [48.9966576179679]
多くの実世界の利害問題は非定常性を示し、利害関係が高ければ、偽の定常性仮定に関連するコストは受け入れがたい。
我々は、スムーズに変化する非定常的な意思決定問題に対して、高い信頼性で安全性を確保するための第一歩を踏み出します。
提案手法は,時系列解析を用いたモデルフリー強化学習の合成により,セルドンアルゴリズムと呼ばれる安全なアルゴリズムを拡張した。
論文 参考訳（メタデータ） (2020-10-23T20:13:51Z) - 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) - Online Mapping and Motion Planning under Uncertainty for Safe Navigation
in Unknown Environments [3.2296078260106174]
本論文は,確率論的安全保証者によるオンラインで実現可能な動作のマッピングと計画のための不確実性に基づくフレームワークを提案する。
提案手法は, 環境の不確実性を意識した環境表現を構築するために周囲をマッピングし, (i) 信念空間の多層サンプリングベースプランナーを通して, キノダイナミックに実現可能で確率論的に安全な目標に反復的に(re)計画を行うことにより, 動き, 確率論的安全性, オンライン計算制約を取り扱う。
論文 参考訳（メタデータ） (2020-04-26T08:53:37Z) - Safe reinforcement learning for probabilistic reachability and safety
specifications: A Lyapunov-based approach [2.741266294612776]
安全運転の最大確率を学習するモデルフリー安全仕様法を提案する。
提案手法は, 各政策改善段階を抑制するための安全な政策に関して, リャプノフ関数を構築する。
安全集合と呼ばれる安全な操作範囲を決定する一連の安全なポリシーを導出する。
論文 参考訳（メタデータ） (2020-02-24T09:20:03Z)
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。