Sep, 2020

使用随机阻隔函数和深度前后向 SDE 的安全最优控制

PDF
TL;DR该论文提出了一种新的随机最优控制和随机动态优化的公式，以确保状态和控制约束的安全性，通过前向 - 后向随机微分方程，随机屏障函数，可微凸优化和深度学习等方法，设计了一种神经网络架构用于安全轨迹优化，同时在三个系统上进行了仿真来展示该方法的有效性。
stochastic optimal controlstochastic dynamic optimizationsafetyneural networktrajectory optimization
发现论文，激发创造
  • 使用前向 - 后向 SDE 学习深度随机最优控制策略

    本文提出了一种基于非线性随机最优控制理论、应用数学和机器学习的不确定性决策制定新方法。我们开展了一项控制框架的研究，旨在解决机器人和自主决策问题中的不确定性，并提出了一种深度神经网络架构用于随机控制。在仿真非线性系统中，我们研究了所提算法的性能和可扩展性，并讨论了未来的研究方向及其对机器人技术的影响。

    Feb, 2019

  • 有限时间随机系统的障碍函数方法进行验证和控制

    研究 stochastic dynamical system 在 finite-time horizon 下的安全性问题，提出基于 stochastic control barrier functions 的 barrier certificate condition 以量化系统在有限时间内退出给定的安全区域的概率，并将该条件表述为 sum-of-squares 优化问题进行高效的数值计算，在保证 expected value 的发展的状态相关的上限的前提下，提供了连续时间和离散时间系统的解决方案，针对控制的仿射动力学系统，提出了合成多项式状态反馈控制器以实现指定的安全概率，使用实例研究连续时间和离散时间领域中验证和控制方法的性能。

    Sep, 2019

  • 全耦合 FBSDE 驱动的随机最优控制问题的深度学习方法

    通过深度学习方法，提出了一种解决高维随机最优控制问题的算法，将问题转化为随机 Stackelberg 差分博弈并应用交叉优化方法，成功解决了投资 - 消费问题的数值实例。

    Apr, 2022

  • 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

  • SABLAS: 黑箱动态系统安全控制学习

    本文提出了一种新的方法，用于从黑盒动态系统中学习安全控制策略和屏障证书，无需精确的系统模型，并证明了安全证书在黑盒系统上成立。

    Jan, 2022

  • 基于视觉端到端自动驾驶的可微控制屏障函数

    本文介绍了一种基于感知的学习系统的安全保障框架，该系统采用可微控制屏障函数，与常规神经网络结构组合使用，可在有限训练数据下实现优异的测试性能，在自动驾驶情境下保障安全，包括实现车道保持和避障等功能，并在模拟和真实无人车上进行了测试。

    Mar, 2022

  • 使用监督式机器学习方法合成控制屏障函数

    该论文描述了一种从传感器数据中估计控制屏障函数的学习框架，经实验证明可以在未知状态空间区域中实现机器人系统的安全操作。

    Mar, 2020

  • 基于贝叶斯学习的适应性安全关键系统控制

    提出了一种满足安全性和实时性约束，利用贝叶斯模型学习和随机 CLFs、CBFs 控制框架的深度神经网络模型不确定性学习的方法，并在高速行进的火星车任务中进行了演示。

    Oct, 2019

  • 前向 - 后向随机微分方程和可控的麦克汉 - 弗拉索夫动力学

    通过概率分析，研究了 McKeanVlasov 型非线性随机动力系统的最优控制问题，给出了最优解的充分条件，并将其应用于含有均场交互的大规模随机博弈中。

    Mar, 2013

  • 控制障碍函数的最优性、稳定性和可行性：一种基于自适应学习的方法

    本文提出了一种新颖的基于神经网络的自适应多步控制屏障函数方法，以解决当前控制屏障函数的优化、稳定性和可行性等方面的局限性，在各种场景下对一阶和二阶系统进行了评估，并定量定性地表明相对于传统控制屏障函数方法，该方法有着更出色的表现。

    May, 2023