論文の概要: Generating Formal Safety Assurances for High-Dimensional Reachability
- arxiv url: http://arxiv.org/abs/2209.12336v3
- Date: Sat, 10 Jun 2023 22:53:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 02:28:03.632981
- Title: Generating Formal Safety Assurances for High-Dimensional Reachability
- Title(参考訳): 高次元到達性のための形式安全保証の生成
- Authors: Albert Lin and Somil Bansal
- Abstract要約: Hamilton-Jacobi (HJ) の到達可能性分析は、自律システムの安全性と性能を保証するための一般的な公式な検証ツールである。
最近提案されたDeepReachと呼ばれる手法は、正弦波型ニューラルネットワークPDEソルバを高次元到達性問題に活用することで、この問題を克服している。
本稿では,DeepReach解の誤差を計算し,真の到達可能なチューブを安全に近似する手法を提案する。
- 参考スコア(独自算出の注目度): 4.523089386111081
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Providing formal safety and performance guarantees for autonomous systems is
becoming increasingly important. Hamilton-Jacobi (HJ) reachability analysis is
a popular formal verification tool for providing these guarantees, since it can
handle general nonlinear system dynamics, bounded adversarial system
disturbances, and state and input constraints. However, it involves solving a
PDE, whose computational and memory complexity scales exponentially with
respect to the state dimensionality, making its direct use on large-scale
systems intractable. A recently proposed method called DeepReach overcomes this
challenge by leveraging a sinusoidal neural PDE solver for high-dimensional
reachability problems, whose computational requirements scale with the
complexity of the underlying reachable tube rather than the state space
dimension. Unfortunately, neural networks can make errors and thus the computed
solution may not be safe, which falls short of achieving our overarching goal
to provide formal safety assurances. In this work, we propose a method to
compute an error bound for the DeepReach solution. This error bound can then be
used for reachable tube correction, resulting in a safe approximation of the
true reachable tube. We also propose a scenario-based optimization approach to
compute a probabilistic bound on this error correction for general nonlinear
dynamical systems. We demonstrate the efficacy of the proposed approach in
obtaining probabilistically safe reachable tubes for high-dimensional
rocket-landing and multi-vehicle collision-avoidance problems.
- Abstract(参考訳): 自律システムに対する正式な安全性とパフォーマンス保証の提供がますます重要になっている。
hamilton-jacobi (hj) reachability analysisは一般的な形式的検証ツールであり、一般的な非線形系のダイナミクス、境界付けられた対向系外乱、状態と入力の制約を扱うことができる。
しかし、PDEは状態次元に関して計算とメモリの複雑さが指数関数的にスケールするので、大規模システムで直接利用することができる。
最近提案されたdeepreachという手法は、高次元到達可能性問題に対して正弦波型神経pdeソルバを用いることで、この課題を克服している。
残念なことに、ニューラルネットワークはエラーを発生させるため、計算されたソリューションは安全ではないかもしれない。
本研究では,deepreach の解に対するエラーバウンドを計算する手法を提案する。
この誤差境界は到達可能な管の補正に使用され、真の到達可能な管の安全な近似となる。
また、一般非線形力学系に対するこの誤差補正の確率境界を計算するためのシナリオベース最適化手法を提案する。
本研究では,高次元ロケットランディングおよび多車両衝突回避問題に対して,確率論的に安全な到達管を得るための提案手法の有効性を示す。
関連論文リスト
- Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings [0.24578723416255752]
問題を非現実的な仮定にシフトすることなく,スケーラブルな形式検証アルゴリズムを開発する。
問題を非現実的な仮定にシフトさせることなく,スケーラブルな形式検証アルゴリズムを開発するためには,バリア証明書の概念を用いる。
本稿では,2乗法最適化とガウス過程エンベロープを用いて効率よくプログラムを解く方法を示す。
論文 参考訳(メタデータ) (2024-03-15T17:32:02Z) - 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) - Scaling #DNN-Verification Tools with Efficient Bound Propagation and
Parallel Computing [57.49021927832259]
ディープニューラルネットワーク(DNN)は多くのシナリオで異常な結果を示した強力なツールです。
しかし、それらの複雑な設計と透明性の欠如は、現実世界のアプリケーションに適用する際の安全性上の懸念を提起する。
DNNの形式的検証(FV)は、安全面の証明可能な保証を提供する貴重なソリューションとして登場した。
論文 参考訳(メタデータ) (2023-12-10T13:51:25Z) - 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) - Log Barriers for Safe Black-box Optimization with Application to Safe
Reinforcement Learning [72.97229770329214]
本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。
LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。
安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2022-07-21T11:14:47Z) - Offline Model-Based Optimization via Normalized Maximum Likelihood
Estimation [101.22379613810881]
データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。
この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。
我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
論文 参考訳(メタデータ) (2021-02-16T06:04:27Z) - DeepReach: A Deep Learning Approach to High-Dimensional Reachability [6.604421202391151]
Hamilton-Jacobi (HJ) 到達可能性解析は動的制御系の性能と安全性を保証する重要な形式的検証手法である。
本稿では,高次元到達性問題に対するニューラルPDE解法であるDeepReachを提案する。
論文 参考訳(メタデータ) (2020-11-04T00:47:59Z) - 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)
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。