論文の概要: Harmonic Control Lyapunov Barrier Functions for Constrained Optimal Control with Reach-Avoid Specifications

• arxiv url: http://arxiv.org/abs/2310.02869v1
• Date: Wed, 4 Oct 2023 15:03:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 14:40:17.414873
• Title: Harmonic Control Lyapunov Barrier Functions for Constrained Optimal Control with Reach-Avoid Specifications
• Title（参考訳）: リーチ回避仕様付き最適制御のための高調波制御リアプノフバリア関数
• Authors: Amartya Mukherjee, Ruikun Zhou and Jun Liu
• Abstract要約: ハーモニックコントロール リアプノフ障壁関数(ハーモニックCLBF)は、リーチアビド問題のような制限された制御問題を支援する。 結果として、サンプル軌道に基づいて訓練されるのではなく、実験の開始時に開始することができる。
• 参考スコア（独自算出の注目度）: 5.176683362731989
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces harmonic control Lyapunov barrier functions (harmonic CLBF) that aid in constrained control problems such as reach-avoid problems. Harmonic CLBFs exploit the maximum principle that harmonic functions satisfy to encode the properties of control Lyapunov barrier functions (CLBFs). As a result, they can be initiated at the start of an experiment rather than trained based on sample trajectories. The control inputs are selected to maximize the inner product of the system dynamics with the steepest descent direction of the harmonic CLBF. Numerical results are presented with four different systems under different reach-avoid environments. Harmonic CLBFs show a significantly low risk of entering unsafe regions and a high probability of entering the goal region.
• Abstract（参考訳）: 本稿では,リーチアビド問題などの制約付き制御問題を支援する高調波制御リャプノフ障壁関数(高調波CLBF)を提案する。 調和CLBFは、制御リャプノフ障壁関数(CLBF)の特性を符号化するために調和関数が満たす最大原理を利用する。 結果として、サンプルの軌跡に基づいてトレーニングするのではなく、実験の開始時に開始することができる。 制御入力は、高調波clbfの最も急降下方向のシステムダイナミクスの内積を最大化するために選択される。 異なる到達回避環境下での4つの異なる系で数値的な結果が示される。 高調波CLBFは、安全でない領域に入るリスクが著しく低く、目標領域に入る確率が高い。

関連論文リスト

• Pareto Control Barrier Function for Inner Safe Set Maximization Under Input Constraints [50.920465513162334]
  入力制約下での動的システムの内部安全集合を最大化するPCBFアルゴリズムを提案する。 逆振り子に対するハミルトン・ヤコビの到達性との比較と,12次元四元数系のシミュレーションにより,その有効性を検証する。 その結果,PCBFは既存の手法を一貫して上回り,入力制約下での安全性を確保した。
  論文  参考訳（メタデータ） (2024-10-05T18:45:19Z)
• Reinforcement Learning-based Receding Horizon Control using Adaptive Control Barrier Functions for Safety-Critical Systems [14.166970599802324]
  最適制御法は、安全クリティカルな問題に対する解決策を提供するが、容易に難解になる。 モデル予測制御を利用した強化学習に基づく回帰水平制御手法を提案する。 我々は、コネクテッド・アンド・オートマチック・ビークルにおける自動マージ制御問題に適用し、本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-03-26T02:49:08Z)
• Learning Performance-Oriented Control Barrier Functions Under Complex Safety Constraints and Limited Actuation [5.62479170374811]
  制御バリア関数(CBF)は非線形制御系力学を制約するエレガントなフレームワークを提供する。 これらの課題に包括的に対処する,新たな自己教師型学習フレームワークを導入する。 本研究では,2次元ダブルインテグレータ(DI)システムと7次元固定翼航空機システムに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2024-01-11T02:51:49Z)
• 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)
• Optimal control and selectivity of qubits in contact with a structured environment [7.07321040534471]
  量子ビット人口と緩和効果の操作範囲を示す。 一定の最大強度の形状制御による到達可能な量子状態が数値的に見つかる。
  論文  参考訳（メタデータ） (2022-03-29T13:35:12Z)
• 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)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• 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。