Apr, 2023

利用 BarrierNet 从信号时间逻辑规范中学习稳健且正确的控制器

PDF
TL;DR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。
neural network controllersignal temporal logic (stl)high order control barrier functions (hocbfs)barriernetrobustness
发现论文，激发创造
  • 学习神经控制器以实现时序逻辑目标的风险感知

    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。

    Oct, 2022

  • 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

  • Q-Learning 用于满足信号时序逻辑规范的稳健性

    该论文提出了一种利用近似解决 STL 综合问题的方法，通过最大化已知的效果指标来学习未知随机动态系统的最优策略，在模拟中验证了该方法的有效性。

    Sep, 2016

  • 基于漏斗的信号时序逻辑强化学习

    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

  • 使用强化学习的基于 STL 的反馈控制器综合

    研究利用时序逻辑生成奖励对深度强化学习进行实时控制，并在多项复杂连续控制基准测试中证实了新模型相较于现有模型更为合适。

    Dec, 2022

  • 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

  • 通过 Dropout 扩展基于学习的政策优化算法以适用于时间相关任务

    该论文介绍了一种基于模型的方法，用于针对高度非线性环境中的自主代理训练反馈控制器。我们希望该训练策略确保代理满足以离散时间信号时序逻辑（DT-STL）表达的特定任务目标。为了解决长时间跨度任务目标的问题，我们引入了一种基于随机梯度近似算法的梯度近似算法，并提出了适用于复杂规范的 DT-STL 的新的平滑语义。

    Mar, 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

  • 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