論文の概要: System-level Safety Guard: Safe Tracking Control through Uncertain Neural Network Dynamics Models

• arxiv url: http://arxiv.org/abs/2312.06810v1
• Date: Mon, 11 Dec 2023 19:50:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 18:08:25.666832
• Title: System-level Safety Guard: Safe Tracking Control through Uncertain Neural Network Dynamics Models
• Title（参考訳）: システムレベルセーフティーガード:不確実性ニューラルネットワークダイナミクスモデルによる安全トラッキング制御
• Authors: Xiao Li, Yutong Li, Anouck Girard, Ilya Kolmanovsky
• Abstract要約: ニューラルネットワーク(NN)は多くの制御およびロボット工学の応用において検討されている。 本稿では,未知の力学系の軌道追跡の予測モデルとしてNNを利用する。 提案したMILPベースのソリューションは,システム全体の安全性を保証する。
• 参考スコア（独自算出の注目度）: 8.915306227432648
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Neural Network (NN), as a black-box function approximator, has been considered in many control and robotics applications. However, difficulties in verifying the overall system safety in the presence of uncertainties hinder the modular deployment of NN in safety-critical systems. In this paper, we leverage the NNs as predictive models for trajectory tracking of unknown dynamical systems. We consider controller design in the presence of both intrinsic uncertainty and uncertainties from other system modules. In this setting, we formulate the constrained trajectory tracking problem and show that it can be solved using Mixed-integer Linear Programming (MILP). The proposed MILP-based solution enjoys a provable safety guarantee for the overall system, and the approach is empirically demonstrated in robot navigation and obstacle avoidance through simulations. The demonstration videos are available at https://xiaolisean.github.io/publication/2023-11-01-L4DC2024.
• Abstract（参考訳）: ニューラルネットワーク(NN)はブラックボックス関数近似器として多くの制御やロボット工学の応用において検討されている。 しかしながら、不確実性の存在下でシステム全体の安全性を検証することの難しさは、安全クリティカルシステムにおけるnnのモジュール配置を妨げる。 本稿では,未知力学系の軌道追跡のための予測モデルとしてnnsを活用する。 我々は,本質的な不確実性と他のシステムモジュールからの不確実性の両方が存在する場合のコントローラ設計を考察する。 本稿では,制約付き軌道追跡問題を定式化し,MILP(Mixed-integer Linear Programming)を用いて解けることを示す。 提案したMILPベースのソリューションは,システム全体の安全性を保証し,シミュレーションによるロボットナビゲーションと障害物回避を実証的に実証する。 デモビデオはhttps://xiaolisean.github.io/publication/2023-11-01-L4DC2024で公開されている。

関連論文リスト

• Safety Filter Design for Neural Network Systems via Convex Optimization [35.87465363928146]
  ニューラルネットワーク(NN)システムの安全性を確保するために,凸最適化に依存する新しい安全フィルタを提案する。 非線形振り子システムにおいて,提案手法の有効性を数値的に示す。
  論文  参考訳（メタデータ） (2023-08-16T01:30:13Z)
• In-Distribution Barrier Functions: Self-Supervised Policy Filters that Avoid Out-of-Distribution States [84.24300005271185]
  本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。 本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
  論文  参考訳（メタデータ） (2023-01-27T22:28:19Z)
• Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems [1.0323063834827415]
  本研究では, 平均力学モデルを用いたサンプリングベースプランナを提案し, 学習外乱境界による閉ループ追従誤差を同時に有界化する。 この保証は,10次元四角形ロボットのシミュレーションや,クレージーフライ四角形ロボットとクリアパスジャカルロボットの現実世界でのシミュレーションにおいて,経験的安全性に変換されることを検証した。
  論文  参考訳（メタデータ） (2022-12-13T19:38:39Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• Backward Reachability Analysis of Neural Feedback Loops: Techniques for Linear and Nonlinear Systems [59.57462129637796]
  本稿では,ニューラルネットワークを用いた閉ループシステムの安全性検証のための後方到達性アプローチを提案する。 フィードバックループにおけるNNの存在は、その活性化関数の非線形性や、NNモデルは一般に可逆的ではないため、ユニークな問題セットを示す。 フィードフォワードNNで表される制御ポリシを持つ線形系と非線形系のBP過近似を計算するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T13:17:28Z)
• Safe Control with Neural Network Dynamic Models [2.512827436728378]
  ニューラルネットワーク動的モデル(NNDM)の安全制御法則を導出する最初の方法であるMIND-SISを提案する。 MIND-SISは前方不変性と有限収束を保証する。 MIND-SISがNNDMの安全かつ最適な制御を実現することは数値的に検証されている。
  論文  参考訳（メタデータ） (2021-10-03T22:13:49Z)
• Provably Safe Model-Based Meta Reinforcement Learning: An Abstraction-Based Approach [3.569867801312134]
  本研究では,不確実な非線形力学系に対して,確実に安全なニューラルネットワーク(NN)コントローラをトレーニングする問題を考察する。 私たちのアプローチは、トレーニングフェーズ中にNNコントローラのセットを学ぶことです。 タスクが実行時に利用可能になると、我々のフレームワークはこれらのNNコントローラのサブセットを慎重に選択し、最終的なNNコントローラを構成する。
  論文  参考訳（メタデータ） (2021-09-03T00:38:05Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Formal Verification of Stochastic Systems with ReLU Neural Network Controllers [22.68044012584378]
  reluニューラルネットワーク(nn)コントローラを備えたサイバーフィジカルシステムの形式的安全性検証の問題に対処する。 私たちの目標は、所定の自信を持って、システムが安全でない構成に達しない初期状態のセットを見つけることです。
  論文  参考訳（メタデータ） (2021-03-08T23:53:13Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。