論文の概要: Learning Performance-Oriented Control Barrier Functions Under Complex Safety Constraints and Limited Actuation

• arxiv url: http://arxiv.org/abs/2401.05629v1
• Date: Thu, 11 Jan 2024 02:51:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-13 01:46:55.416055
• Title: Learning Performance-Oriented Control Barrier Functions Under Complex Safety Constraints and Limited Actuation
• Title（参考訳）: 複雑な安全制約と限定動作下における性能指向制御バリア関数の学習
• Authors: Shaoru Chen, Mahyar Fazlyab
• Abstract要約: 制御バリア関数(CBF)は非線形制御系の安全フィルタを設計するためのフレームワークを提供する。 しかし、結果の制御不変量集合の体積を同時に最大化するCBFを見つけることは、依然として重大な課題である。 本稿では,これらのハードルに直感的に対処する,新たな自己教師型学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.1585306387285
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Control Barrier Functions (CBFs) provide an elegant framework for designing safety filters for nonlinear control systems by constraining their trajectories to an invariant subset of a prespecified safe set. However, the task of finding a CBF that concurrently maximizes the volume of the resulting control invariant set while accommodating complex safety constraints, particularly in high relative degree systems with actuation constraints, continues to pose a substantial challenge. In this work, we propose a novel self-supervised learning framework that holistically addresses these hurdles. Given a Boolean composition of multiple state constraints that define the safe set, our approach starts with building a single continuously differentiable function whose 0-superlevel set provides an inner approximation of the safe set. We then use this function together with a smooth neural network to parameterize the CBF candidate. Finally, we design a training loss function based on a Hamilton-Jacobi partial differential equation to train the CBF while enlarging the volume of the induced control invariant set. We demonstrate the effectiveness of our approach via numerical experiments.
• Abstract（参考訳）: 制御バリア関数(CBF)は、所定の安全集合の不変部分集合に軌道を拘束することで非線形制御系の安全フィルタを設計するためのエレガントなフレームワークを提供する。 しかし、複雑な安全制約(特にアクティベーション制約のある高相対度システム)を伴いながら、結果として生じる制御不変量の体積を同時に最大化するCBFを見つけるという課題は、大きな課題である。 本研究では,これらのハードルに直感的に対処する自己教師型学習フレームワークを提案する。 セーフ集合を定義する複数の状態制約のブール構成を考えると、我々のアプローチは、0-超レベル集合がセーフ集合の内部近似を与える単一の連続微分可能関数を構築することから始める。 次に、この関数とスムーズなニューラルネットワークを用いてCBF候補をパラメータ化する。 最後に,hamilton-jacobi偏微分方程式に基づくトレーニング損失関数の設計を行い,誘導制御不変量の体積を増加させながらcbfを訓練する。 本手法の有効性を数値実験により実証する。

関連論文リスト

• Domain Adaptive Safety Filters via Deep Operator Learning [5.62479170374811]
  本稿では,環境パラメータから対応するCBFへのマッピングを学習する自己教師型深層演算子学習フレームワークを提案する。 動的障害物を含むナビゲーションタスクの数値実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-18T15:10:55Z)
• 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)
• 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)
• 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 Differentiable Safety-Critical Control using Control Barrier Functions for Generalization to Novel Environments [16.68313219331689]
  制御バリア機能(CBF)は、制御システムの安全性を強制するための一般的なツールとなっている。 本稿では,最適化に基づく安全クリティカル制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-04T20:43:37Z)
• 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)
• 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。