論文の概要: Geometry of Radial Basis Neural Networks for Safety Biased Approximation of Unsafe Regions

• arxiv url: http://arxiv.org/abs/2210.05596v1
• Date: Tue, 11 Oct 2022 16:34:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 17:56:56.998963
• Title: Geometry of Radial Basis Neural Networks for Safety Biased Approximation of Unsafe Regions
• Title（参考訳）: 非安全領域の安全バイアス近似のための放射基底ニューラルネットワークの幾何学
• Authors: Ahmad Abuaish, Mohit Srinivasan, Patricio A. Vela
• Abstract要約: この原稿は、ゼロリングバリア関数合成に使用されるニューラルネットワークの特定の幾何学について記述している。 ネットワークが状態空間を安全な領域と安全でない領域に分割するために必要な表現を提供する方法を示している。
• 参考スコア（独自算出の注目度）: 15.933842803733244
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Barrier function-based inequality constraints are a means to enforce safety specifications for control systems. When used in conjunction with a convex optimization program, they provide a computationally efficient method to enforce safety for the general class of control-affine systems. One of the main assumptions when taking this approach is the a priori knowledge of the barrier function itself, i.e., knowledge of the safe set. In the context of navigation through unknown environments where the locally safe set evolves with time, such knowledge does not exist. This manuscript focuses on the synthesis of a zeroing barrier function characterizing the safe set based on safe and unsafe sample measurements, e.g., from perception data in navigation applications. Prior work formulated a supervised machine learning algorithm whose solution guaranteed the construction of a zeroing barrier function with specific level-set properties. However, it did not explore the geometry of the neural network design used for the synthesis process. This manuscript describes the specific geometry of the neural network used for zeroing barrier function synthesis, and shows how the network provides the necessary representation for splitting the state space into safe and unsafe regions.
• Abstract（参考訳）: バリア関数に基づく不等式制約は、制御システムの安全仕様を強制する手段である。 凸最適化プログラムと併用すると、一般的な制御アフィンシステムの安全性を強制する計算効率の良い方法が提供される。 このアプローチをとる際の主要な仮定の1つは障壁関数自体の事前知識、すなわち安全な集合の知識である。 局所安全集合が時間とともに進化する未知の環境を通るナビゲーションの文脈では、そのような知識は存在しない。 この原稿は、ナビゲーションアプリケーションにおける知覚データから、安全で安全でないサンプル測定に基づいて安全なセットを特徴付けるゼロリングバリア関数の合成に焦点を当てている。 先行研究は、特定のレベルセット特性を持つゼロリングバリア関数の構築を保証した教師付き機械学習アルゴリズムを定式化した。 しかし、合成プロセスに使用されるニューラルネットワーク設計の幾何学を探求することはなかった。 この原稿は、障壁関数のゼロ化に使用されるニューラルネットワークの特定の形状を記述し、ネットワークが状態空間を安全で安全でない領域に分割するために必要な表現を提供する方法を示している。

関連論文リスト

• 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)
• Approximate Shielding of Atari Agents for Safe Exploration [83.55437924143615]
  遮蔽の概念に基づく安全な探索のための原理的アルゴリズムを提案する。 本稿では,我々の近似遮蔽アルゴリズムが安全違反率を効果的に低減することを示す予備的な結果を示す。
  論文  参考訳（メタデータ） (2023-04-21T16:19:54Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• 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)
• Safety Certification for Stochastic Systems via Neural Barrier Functions [3.7491936479803054]
  バリア関数は、非線形システムに対する非自明な安全性証明を提供するために使用できる。 ニューラルネットワークとしてバリア関数をパラメータ化することにより、ニューラルネットワークの堅牢なトレーニングを成功させてバリア関数を見つけることができることを示す。 提案手法は,いくつかのケーススタディにおいて既存の手法よりも優れており,桁違いに大きい安全証明書を返却することが多い。
  論文  参考訳（メタデータ） (2022-06-03T09:06:02Z)
• Gaussian Control Barrier Functions : A Non-Parametric Paradigm to Safety [7.921648699199647]
  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。
  論文  参考訳（メタデータ） (2022-03-29T12:21:28Z)
• 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)
• Constrained Feedforward Neural Network Training via Reachability Analysis [0.0]
  安全上の制約に従うためにニューラルネットワークをトレーニングすることは、依然としてオープンな課題である。 本研究は, 整列線形単位(ReLU)非線形性を持つフィードフォワードニューラルネットワークを同時に訓練し, 検証する制約付き手法を提案する。
  論文  参考訳（メタデータ） (2021-07-16T04:03:01Z)
• 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)
• Safety-Aware Hardening of 3D Object Detection Neural Network Systems [0.0]
  単一段パイプラインを用いた3次元物体検出のための最先端ニューラルネットワークの安全性について検討した。 この概念は、鳥の目視で物体の境界ボックスを点雲からの入力で生成する最先端のPIXOR検出器を拡張して詳述している。
  論文  参考訳（メタデータ） (2020-03-25T07:06:11Z)

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。