BarrierNet：一种神经网络的安全保证层
机器学习
2021-11-23 v1 机器人学
系统与控制
系统与控制
摘要
本文引入可微的高阶控制障碍函数（CBF），其可与学习系统端到端联合训练。CBF 虽能保证安全性，但通常过于保守。此处，我们通过在保留安全性保证的前提下利用环境依赖软化其定义来解决保守性问题，并将其嵌入可微二次规划。这些新颖的安全层被称为 BarrierNet，可与任意基于神经网络的控制器配合使用，并可通过梯度下降训练。BarrierNet 使神经控制器的安全约束能适应变化的环境。我们在交通合流以及 2D 与 3D 空间中的机器人导航等一系列控制问题上评估了它们，并展示了相比最先进方法的有效性。
引用
@article{arxiv.2111.11277,
title = {BarrierNet: A Safety-Guaranteed Layer for Neural Networks},
author = {Wei Xiao and Ramin Hasani and Xiao Li and Daniela Rus},
journal= {arXiv preprint arXiv:2111.11277},
year = {2021}
}
备注
23 pages