論文の概要: Pick-to-Learn for Systems and Control: Data-driven Synthesis with State-of-the-art Safety Guarantees

• arxiv url: http://arxiv.org/abs/2512.04781v1
• Date: Thu, 04 Dec 2025 13:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.180237
• Title: Pick-to-Learn for Systems and Control: Data-driven Synthesis with State-of-the-art Safety Guarantees
• Title（参考訳）: システムと制御のためのピック・ツー・ラーン:最先端安全保証によるデータ駆動型合成
• Authors: Dario Paccagnan, Daniel Marks, Marco C. Campi, Simone Garatti,
• Abstract要約: Pick-to-Learn (P2L) は、あらゆるデータ駆動制御手法に最先端の安全性とパフォーマンスを保証するためのフレームワークである。 P2Lは、すべての利用可能なデータを使用して設計を共同で合成し、認証し、キャリブレーションやバリデーションのためにデータを別々に設定する必要がなくなる。
• 参考スコア（独自算出の注目度）: 7.548053815192648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven methods have become paramount in modern systems and control problems characterized by growing levels of complexity. In safety-critical environments, deploying these methods requires rigorous guarantees, a need that has motivated much recent work at the interface of statistical learning and control. However, many existing approaches achieve this goal at the cost of sacrificing valuable data for testing and calibration, or by constraining the choice of learning algorithm, thus leading to suboptimal performances. In this paper, we describe Pick-to-Learn (P2L) for Systems and Control, a framework that allows any data-driven control method to be equipped with state-of-the-art safety and performance guarantees. P2L enables the use of all available data to jointly synthesize and certify the design, eliminating the need to set aside data for calibration or validation purposes. In presenting a comprehensive version of P2L for systems and control, this paper demonstrates its effectiveness across a range of core problems, including optimal control, reachability analysis, safe synthesis, and robust control. In many of these applications, P2L delivers designs and certificates that outperform commonly employed methods, and shows strong potential for broad applicability in diverse practical settings.
• Abstract（参考訳）: データ駆動手法は、複雑性のレベルが増大するのを特徴とする、現代のシステムや制御問題において最重要になっている。 安全クリティカルな環境では、これらの手法の展開には厳格な保証が必要である。 しかし、既存の多くのアプローチは、テストとキャリブレーションのための貴重なデータを犠牲にして、あるいは学習アルゴリズムの選択を制限して、最適以下のパフォーマンスをもたらすことで、この目標を達成する。 本稿では,システムと制御のためのP2L(Pick-to-Learn for Systems and Control)について述べる。 P2Lは、すべての利用可能なデータを使用して設計を共同で合成し、認証し、キャリブレーションやバリデーションの目的でデータを設定する必要がなくなる。 システムと制御のためのP2Lの包括的バージョンを提案する際に、最適制御、到達可能性解析、安全な合成、堅牢な制御を含む、様々なコア問題に対してその有効性を示す。 これらのアプリケーションの多くにおいて、P2Lは一般的な手法よりも優れた設計と証明書を提供しており、多様な実用的な設定において幅広い適用可能性を示している。

関連論文リスト

• 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)
• Sample-efficient Safe Learning for Online Nonlinear Control with Control Barrier Functions [35.9713619595494]
  強化学習と連続非線形制御は、複雑なシーケンシャルな意思決定タスクの複数の領域にうまく展開されている。 学習過程の探索特性とモデル不確実性の存在を考えると、それらを安全クリティカルな制御タスクに適用することは困難である。 本稿では,オンライン制御タスクを対象とした,効率のよいエピソード型安全な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-29T00:54:35Z)
• Joint Differentiable Optimization and Verification for Certified Reinforcement Learning [91.93635157885055]
  安全クリティカル制御システムのためのモデルベース強化学習では,システム特性を正式に認定することが重要である。 本稿では,強化学習と形式検証を共同で行う枠組みを提案する。
  論文  参考訳（メタデータ） (2022-01-28T16:53:56Z)
• Learning Hybrid Control Barrier Functions from Data [66.37785052099423]
  ハイブリッドシステムの安全な制御法則を得るための体系的なツールが欠如していることから,データから確実に安全な制御法則を学習するための最適化ベースのフレームワークを提案する。 特に、システムダイナミクスが知られており、安全なシステム動作を示すデータが利用可能であるような設定を仮定する。
  論文  参考訳（メタデータ） (2020-11-08T23:55:02Z)

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。