面向安全与最优控制的自主系统物理信息机器学习框架
应用物理
2025-02-18 v1
摘要
随着自主系统在日常生活中的普及，确保在保证安全的前提下实现高性能至关重要。然而，安全与性能可能成为竞争关系，这使得二者的协同优化困难。基于学习的方法，如受限强化学习（CRL），虽然实现了出色的性能，但由于安全性被作为软约束实现，缺乏形式化的安全保证，限制了其在安全关键场景中的应用。相反，诸如哈德利-金曼（HJ）可达性分析和控制屏障函数（CBF）等形式方法提供了严格的安全保障，但往往忽视性能，导致控制器过于保守。为弥合这一差距，我们将安全与性能的协同优化表述为状态受限的最优控制问题，其中通过代价函数编码性能目标，将安全要求作为状态约束施加。我们证明，所得价值函数满足哈德利-金曼-班奇（HJB）方程，通过提出一种新颖的物理信息机器学习框架高效地对其进行近似求解。此外，我们引入基于共形预测的验证策略来量化学习误差，从而恢复高置信水平的安全价值函数，并对性能退化给出概率误差界。通过多个案例研究，我们展示了该框架在实现复杂高维自主系统的安全高性能控制方面的有效性。
引用
@article{arxiv.2502.11056,
title = {Accelerated engineering of topological interface states in one-dimensional phononic crystals via deep learning},
author = {Xue-Qian Zhang and Yi-Da Liu and Xiao-Shuang Li and Tian-Xue Ma and Yue-Sheng Wang and Zhuo Zhuang},
journal= {arXiv preprint arXiv:2502.11056},
year = {2025}
}