Jun, 2024

建立混合 B 样条和神经网络算子

PDF
TL;DR基于深度 B 样条和数据驱动神经网络相结合的策略，提出了一种用于实时预测控制系统行为的混合 B 样条神经操作器，证明其作为通用逼近器的能力并提供了逼近误差的严格界限。在控制的 6 自由度四旋翼飞行器上通过实验验证了这些发现，并比较了全连接网络和循环神经网络在实际场景中的实用性和权衡。
control systemscyber-physical systemssafetyreal-time predictionsneural networks
发现论文，激发创造
  • 基于稀疏神经动力学的模型控制

    使用深度神经网络从观测中学习预测模型是解决现实世界规划和控制问题的一种有前景的新方法。本文提出了一个新的集成模型学习和预测控制框架，通过逐渐稀疏化神经网络以有效优化算法进行端到端的优化，从而在保证预测准确性的基础上取得更好的闭环控制性能。

    Dec, 2023

  • 使用图形样条网络学习高效的代理动态模型

    提出 GraphSplineNets 深度学习方法，在物理系统的预测中通过减少深度替代模型的网格大小和迭代步骤数来提高计算效率和准确性，包括研究热方程、阻尼波传播、纳维 - 斯托克斯方程和现实世界中规则和不规则域的海流。

    Oct, 2023

  • 学习增强的网络物理系统中的实时异常检测

    本论文研究了如何在物理控制系统中高效检测数据分布的异常点，提出了利用归纳式一致性预测和异常检测方法进行检测的方案，并通过仿真实验在自动驾驶和紧急制动系统中得到了良好的实验结果。

    Jan, 2020

  • ReACT: 使用 B 样条几何对控制器参数化进行强化学习

    应用深度强化学习和 N 维 B 样条几何图形，通过自适应控制器参数的 DRL 代理来改进工业应用中的控制结构，并在工业控制结构的参数化任务上进行训练和评估。

    Jan, 2024

  • 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

  • 基于神经网络的混合系统辨识方法

    我们考虑从有限数量的（状态 - 输入）- 后继状态数据点中设计一种基于机器学习的未知动态系统模型的问题，以便获得的模型也适用于最优控制设计。我们提出了一种特定的神经网络（NN）结构，其产生具有分段仿射动力学的混合系统，对网络参数具有可微性，从而使得能够使用基于导数的训练过程。我们展示了对 NN 权重的精心选择产生具有结构特性的混合系统模型，在有限视野最优控制问题（OCP）的计算方面具有非常有利条件。具体而言，我们表明可以通过非线性规划计算具有强大局部最优性保证的最优解，与通常需要混合整数优化的一般混合系统的经典 OCP 相比。除了非常适用于最优控制设计外，数值模拟还说明我们基于 NN 的技术在混合系统的系统识别方法方面具有非常类似的性能，并且在非线性基准测试中具有竞争力。

    Apr, 2024

  • 神经网络控制系统的运行时监控与故障检测

    通过应用深度学习方法，本研究论文考虑在干扰和测量噪声的存在下增强神经网络控制的非线性系统的运行时安全性。设计了一个稳健稳定的区间观测器，用于为神经网络、非线性函数和系统状态生成确切的下界和上界。所获得的区间用于实时监控系统安全性并检测系统输出或执行器中的故障。通过模拟自适应巡航控制车辆系统，演示了提出设计的有效性。

    Mar, 2024

  • 通过半定规划实现具有神经网络控制器的闭环系统的可达性分析

    本文提出使用新颖的前向可达性分析方法以验证具有神经网络的时间变化系统的安全性，并举例证明其在四旋翼控制系统中的实用性。

    Apr, 2020

  • 通过高效的 B 样条路径构建加速基于深度神经网络的本地汽车行驶规划

    本文介绍了如何将 B-spline 与神经网络结合，通过引入一种新的 B-spline 路径构建方法，实现在约 11ms 内快速生成满足环境和汽车动力学约束条件的局部机动，在 Bench-MR 框架下，该方法在所考虑的任务中表现出远超其它规划器的高效性。

    Mar, 2022

  • 增强安全的近似非线性模型预测控制与神经网络

    本论文通过神经网络（NN）的逼近研究模型预测控制（MPC）控制器，以实现快速在线计算，并通过安全增强提高收敛和实现约束满足的确定性保证。其控制框架在三个具有不同复杂度的非线性 MPC 基准测试中得到阐述，并证明了与在线优化相比的数量级的计算加速。

    Apr, 2023