Dec, 2021

通过高斯过程回归形式化验证未知动态系统

PDF
TL;DR本文提出了一个基于高斯过程回归的验证框架，将连续空间系统抽象为有限状态不确定马尔可夫决策过程，利用模型检测工具验证抽象的不确定性，并将结果扩展到基础的部分可观测系统，有效地应用于线性、非线性和切换系统等多种情况下。
autonomous systemsverification frameworkmodel checkingtemporal logic specificationuncertain markov decision process
发现论文，激发创造
  • 高斯过程回归对未知动力系统的安全验证

    提出了一种使用高斯过程的验证框架来对不确定动态系统进行抽象，并利用已有方法对不确定马尔可夫过程进行安全验证，该方法在多个例子中得到了验证。

    Apr, 2020

  • 通过正式抽象实现非高斯噪声动态系统的鲁棒控制

    该研究论文提出了一种新颖的控制器合成方法，它不需要任何明确表示噪声分布的方式，而是通过将控制系统抽象为捕捉噪声的有限状态模型，然后使用从场景方法中的工具来计算可能正确的限制，基于一些噪声的有限数量样本。通过缩小合成过程的复杂性，该方法在实际控制系统上的应用具有广泛的适用性。

    Jan, 2023

  • 基于稳定高斯过程的 Lagrangian 系统跟踪控制

    使用基于数据的控制法律，通过高斯过程回归来补偿系统未知的动力学，并基于学习的模型的不确定性来自适应反馈部分的增益，以保证全局有界跟踪误差。

    Nov, 2018

  • 高斯过程回归的谨慎模型预测控制

    本文提出了一种使用高斯过程回归模型的模型预测控制方法，用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率，并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。

    May, 2017

  • 基于高斯过程回归的黑盒物理模型估计器用于机器人逆动力学辨识

    在这篇论文中，我们提出了一种基于高斯过程回归的黑盒模型，用于识别机器人操纵器的反向动力学。我们的模型基于一种新颖的多维核函数，称为拉格朗日启发的多项式核。该模型能够估计动能和势能，而无需这些量的标签，并且在准确性、广泛性和数据效率方面优于基于高斯过程和神经网络的最先进的黑盒估计器。在模拟和两个真实的机器人操纵器上的实验结果表明，我们的方法实现了与精细调整的基于模型的估计器相当的性能，尽管需要更少的先验信息。

    Oct, 2023

  • 主动学习高斯过程动力学

    本文提出了利用高斯过程回归中自然产生的信息理论特性的主动学习策略，尊重系统动态 imposed 约束下的抽样过程，并在高不确定度区域选择抽样点，以实现探索性行为和数据高效训练。该方法在大量数值基准测试中得到验证。

    Nov, 2019

  • 参数高斯过程回归器

    提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。

    Oct, 2019

  • 基于模型的高斯过程演示学习

    本文提出了一种基于高斯混合回归的新型多输出高斯过程（MOGP）方法，利用 MOGP 的协方差将从演示中检索的变异性捕获起来，使机器人能够精确跟踪经过点，同时在高变异地区保持的柔顺性。

    Oct, 2019

  • 基于时序高斯过程的学习控制与消失的跟踪误差

    通过测量数据，我们提出了一种基于贝叶斯预测误差边界的高斯过程回归模型，证明了其具有逐渐减小的跟踪误差并实现了逐渐消失的跟踪误差，有效地解决了复杂技术系统中的问题，并在多个模拟中进行了验证。

    Jul, 2023

  • 基于领域信息的高斯过程状态空间模型的区分外分布检测

    提出了一种利用现有领域知识嵌入核函数的新方法，以及一种基于滚动预测的离线在线监控器，用于使机器人在未知情况下使用基于学习的方法安全导航。数值结果表明，与标准的核函数选择相比，具有领域知识的核函数在小数据集上具有更好的回归质量。通过对一个室内设置中的四足机器人进行测试，演示了 OoD 监控器的有效性，可可靠地对以前未见的地形进行分类。

    Sep, 2023