Sep, 2018

安全学习控制约束线性二次调节器

PDF
TL;DR研究了具有未知动态的约束线性二次调节器，在数据驱动控制技术中解决了安全和探索之间的紧张关系。提出了一个框架，通过持续的激励进行系统识别，同时通过保证状态和输入约束的满足来维护安全。该框架涉及一种新的方法来合成强健的满足约束的反馈控制器，利用了系统级综合的新开发工具。将统计结果与成本次优性边界相连接，从而给出了关于估计和控制器性能的非渐近保证。
constrained linear quadratic regulatordata-driven controlsystem identificationsafetyfeedback controllers
发现论文，激发创造
  • 线性二次调节器的样本复杂度

    本文提出了一种名为 Coarse-ID 控制的多阶段程序，利用随机矩阵理论对 Linear Quadratic Regulator 问题中的未知动态进行建模和控制，同时使用 System Level Synthesis 方法进行控制综合设计，该方法可以在未考虑模型不确定性的情况下实现稳定控制，同时相对误差控制成本的端到端界限也被提供。

    Oct, 2017

  • 基于数据的安全证书的可伸缩合成及其在基于学习的控制中的应用

    本文提出了有效的技术来综合安全集合和控制律，通过基于凸优化问题的近似来提供改进的可伸缩性质，其中一种方法仅需要近似的线性系统模型和 Lipschitz 连续的未知非线性动力学，展示了数字示例，包括一个自主车队。

    Nov, 2017

  • 含二次非线性控制系统的稳定认证学习

    本研究主要集中于一种操作器推理方法，旨在基于先验假设构建基于低维度动力学模型，这些假设通常基于已建立的物理学或专家见解。我们的主要目标是开发一种能够推断具有固有稳定性保证的二次控制动力学系统的方法。我们研究具有能量保持非线性的控制系统的稳定性特征，从而识别出这些系统在什么条件下是有界输入有界状态稳定的。随后，这些见解被应用于学习过程，从而产生设计上固有稳定的推断模型。我们通过几个数值示例来验证我们提出的框架的有效性。

    Mar, 2024

  • 面向不确定机器人系统的基于学习的控制一般安全框架

    这篇研究论文就如何在机器人系统的学习过程中保证安全性提出了一种新的框架，综合运用了学习控制方法、Hamilton-Jacobi 可达性方法和贝叶斯机制，通过概率和最坏情况分析提供了理论安全保障，并在四旋翼飞行器上实验室验证了其有效性。

    May, 2017

  • 基于采样的安全强化学习在非线性动力系统中的应用

    我们开发了一种可证明安全和收敛的非线性动态系统控制的强化学习算法，填补了控制理论的强安全性保证和强化学习理论的收敛保证之间的差距。我们的方法通过单阶段的基于采样的方式，在学习过程和实际应用中满足硬约束条件，同时享有经典的收敛保证，我们在仿真环境中验证了我们方法的有效性，包括一个具有挑战性障碍避免问题的四旋翼无人机的安全控制，并证明其胜过现有的基准模型。

    Mar, 2024

  • 使用强健神经李亚普诺夫障函数的安全非线性控制

    本文提出一种基于模型学习的方法，根据鲁棒凸优化和 Lyapunov 理论定义了鲁棒控制 Lyapunov 阻碍函数，以实现具有安全性和稳定性保证的控制器，并在诸如汽车轨迹跟踪、带障碍物避障的非线性控制、带安全性约束的卫星交会和具有学习地效果模型的飞行控制等问题上展示了其模拟结果，表明我们的方法降低了计算成本，并且得到的控制器的能力与稳健 MPC 技术相匹配或优于其能力。

    Sep, 2021

  • 使用控制李雅普诺夫函数和控制阻碍函数的模型不确定性下安全关键控制的强化学习

    本文提出了一种基于强化学习框架的方法，利用 CBF、CLF 等约束条件中存在的模型不确定性，并结合标称模型的 CBF-CLF-QP，得到了强化学习驱动的 CBF-CLF-QP，有效解决了安全约束中的模型不确定性问题。实验证明，在一个脚踩随机分布台石的非完全驱动非线性双足机器人上，此方法保证了机器人的安全和稳定行走。

    Apr, 2020

  • 基于学习的模型预测控制用于安全探索

    本文提出了一种基于学习的模型预测控制方案，其可以提供可证明的高概率安全保证，并利用正态分布先验的规则性假设来构建可证明准确的置信区间，保证轨迹满足安全约束，通过终端集约束递归地保证每个迭代中存在安全控制动作。在实验中展现了该算法可以用来安全、高效地探索和学习动态系统。

    Mar, 2018

  • 线性二次型调节器的鲁棒自适应控制遗憾界

    本文提出了一种自适应控制的方法，可用于处理 Linear Quadratic Regulator 中未知的线性系统和需求预测的问题，算法的时间复杂度为多项式级别，且在控制中有很好的保障。

    May, 2018

  • 可证明安全且鲁棒的基于学习的模型预测控制

    本研究介绍了一种学习基础的模型预测控制 (LBMPC) 方案，在提高系统性能的同时提供稳健性的确定性保证。该方案利用统计识别工具识别系统的更丰富模型，通过维护两个模型，可以在一个优化框架中将安全性和性能隔离。LBMPC 通过选择最小化成本的输入来提高性能，并通过检查模糊模型稳定性来确保安全性和鲁棒性。此外，我们证明如果系统充分兴奋，则 LBMPC 控制行动以概率收敛为使用真实动力学计算的 MPC 的行动。

    Jul, 2011