Mar, 2022

基于视觉端到端自动驾驶的可微控制屏障函数

PDF
TL;DR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。
发现论文，激发创造
  • 从专家演示中学习控制屏障函数

    本文提出一种基于学习的方法来合成安全控制器，该方法基于控制屏障函数，考虑非线性控制仿射动力系统的情况，并假设我们可以访问由专家生成的安全轨迹，在此基础上，提出和分析了基于优化的 CBF 学习方法，其具有可证明的安全保证。

    Apr, 2020

  • 具有可微控制界函数的非仿射控制系统的安全神经控制

    本文通过将高阶控制界函数（HOCBFs）集成到神经常微分方程学习模型中作为可微的控制界函数，来解决安全关键控制问题中的非仿射控制系统的安全性问题，并能学习复杂和最优控制策略，将其应用于基于 LiDAR 的自动驾驶，并与现有方法进行比较。

    Sep, 2023

  • 学习面向性能的控制屏障函数在复杂安全约束和有限执行中的应用

    本研究提出了一种新颖的自监督学习框架，通过建立一个连续可微函数和平滑神经网络来参数化 Control Barrier Functions (CBF) 的候选项，然后设计一个基于 Hamilton-Jacobi 偏微分方程的训练损失函数来训练 CBF，从而同时增大感应控制不变集的体积，并通过数值实验证明了我们方法的有效性。

    Jan, 2024

  • 具有控制障碍函数的安全关键控制学习

    利用控制屏障函数的机器学习框架可以降低非线性控制系统中的模型不确定性，从而实现系统的安全行为。通过在 Segway 平台上进行模拟和实验验证，这种方法可以持续收集数据并更新控制器，最终实现安全行为。

    Dec, 2019

  • 学习混合系统安全控制的本地控制阻碍函数

    本文提出一种基于学习的方法，通过构建基于神经网络的 Control Barrier Functions (CBFs) 来确保广泛类别的非线性混合动力系统的安全，从而解决现有方法的计算效率低、对系统性能不利或仅适用于小规模系统的问题。

    Jan, 2024

  • 基于障碍函数的端到端安全强化学习在安全关键型连续控制任务中的应用

    本文提出了一种控制器架构，该架构将模型自由的强化学习控制器与利用控制屏障函数和未知系统动态的模型控制器相结合，以确保学习过程中的安全，并利用高斯过程对系统动态进行建模和不确定性分析。

    Mar, 2019

  • 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

  • 基于控制障碍函数的基于规则的安全关键控制设计及其在自主车道变换中的应用

    本研究提出了一种新的控制设计，通过有限状态机和基于控制李雅普诺夫函数和控制屏障函数的二次规划优化问题来保证车辆在复杂交通环境下的安全掉头转向，可以在高更新频率下保证系统的安全。

    Mar, 2021

  • 使用概率控制障碍函数进行安全强化学习以实现匝道合并

    控制屏障函数嵌入强化学习策略中，使用概率控制屏障函数作为模型不确定性的估计，实现了安全而高效的自动驾驶算法，可以应用于高速公路匝道合并问题。

    Dec, 2022

  • 通过学习不确定性的强鲁棒性控制壁函数实现安全的多智能体交互

    通过 Matrix-Variate Gaussian Process 模型，学习高置信度范围，将其纳入强健的多代理 CBF 框架，并将其转换为可在实时中高效解决的二次规划问题，以提高安全性和适应学习到的动态不确定性。

    Apr, 2020