RTAMT:基于 STL 的在线稳健性监控
本文旨在通过研究基于信号时间逻辑(STL)的控制问题的鲁棒度评估方法,从如何帮助基于学习的解决方案的角度探讨现有和潜在的鲁棒度评估方法。研究表明,这项新的鲁棒度测量方法对于加速学习过程非常有效,并通过实例研究进行了验证。
Mar, 2020
该研究介绍了一种交互式学习方法,能够从自然语言描述中学习正确、简洁的统一信号时序逻辑公式,并使用深度 Q 学习算法确定机器人的最优控制策略。
Jul, 2022
通过直接学习神经网络控制器以满足信号时间逻辑 (STL) 的要求,以确保长期机器人任务的安全性和满足时间规范的挑战。同时,采用备用策略以保证控制器故障时的安全性。该方法可以适应不同的初始条件和环境参数,并在复杂的 STL 规范任务中以 10 倍至 100 倍速度快于传统方法。
Sep, 2023
本论文提出了一种新的基于 STL 模板的多智能体强化学习算法以指导奖励设计,实验证明相比没有 STL 指导的情况下,算法能够显著提高多智能体系统的性能和安全性。
Jun, 2023
本文介绍一种基于 funnel functions 的可行强化学习算法,用于实现连续状态空间中 STL 规范的鲁棒满足,并在摆和移动机器人示例上演示了该方法的实用性。
Nov, 2022
我们提出了一种方法,结合了神经网络和 Signal Temporal Logic,用于对时间序列数据进行多类别分类,通过引入边界概念和 STL 属性,提高了分类结果的可解释性。
Feb, 2024
TLINet 是一个神经符号框架,用于学习 Signal Temporal Logic 公式。该框架不仅学习 STL 公式的结构,还学习参数,具有解释性、紧凑性、表达能力丰富和计算效率高等优势。
May, 2024
TagSLAM 为使用 AprilTag 基准标记进行同时定位和制图提供了方便,灵活和稳健的方法,是一种基于 ROS 的开源软件包,使用 GTSAM factor graph 优化器作为前端,通过使用多个简单的抽象(bodies、tags、cameras)以基于标记的方式快速设计一系列实验。
Oct, 2019