Oct, 2022

学习神经控制器以实现时序逻辑目标的风险感知

PDF
TL;DR本文提出了基于信号时间逻辑和控制障碍函数的神经网络控制器综合算法，以优化指定性能目标并满足硬性约束条件，在飞行器和单轮车等测试系统上进行了验证。
controller synthesisuncertaintysignal temporal logiccontrol barrier functionsneural networks
发现论文，激发创造
  • 利用 BarrierNet 从信号时间逻辑规范中学习稳健且正确的控制器

    这篇论文研究了学习神经网络控制器以满足信号时间逻辑（STL）规范的问题，提出了一种使用可训练高阶控制障碍函数的方法，结合 BarrierNet 进行控制的方案，并证明了该方法的鲁棒性优于现有算法。

    Apr, 2023

  • 信号时态逻辑神经预测控制

    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

  • 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

  • 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

  • 不确定性下的安全控制

    本文提出了一种新的逻辑 PrSTL 作为表达随机性质和强制其概率保证的表现语言，并展示了如何使用这种逻辑对具有随机性质的智能物理系统进行控制器合成，其关键特点是适应性逻辑并随着系统遇到附加数据而变化，并通过合成多种情况下无人机和自主车辆的控制器来演示我们的方法。

    Oct, 2015

  • 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

  • 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

  • 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

  • 机器人系统下的容错神经控制屏障函数应对传感器故障和攻击

    研究了在传感器故障和攻击下对机器人系统进行安全关键控制综合的新型控制屏障函数（FT-NCBF）方法，并通过数据驱动的学习方法提供了安全保证。

    Feb, 2024

  • 具有神经控制屏障函数的输入限制安全控制

    使用机器学习的技术，基于控制防护函数（CBF），提出一种避免输入饱和的高维、一般化的非线性系统安全控制器合成方法，并通过 10D 状态，4D 输入的四轴飞行器 - 摆系统的实验结果表明，该方法能够在近 100％的实验中避免输入饱和并维持安全。

    Nov, 2022