基于贝叶斯学习的安全关键系统自适应控制
系统与控制
2021-07-06 v3 机器学习
机器人学
系统与控制
摘要
深度学习近来取得了巨大成功，将最先进的模型学习方法应用于控制领域令人振奋。然而，在安全关键系统上运用这些方法存在强烈顾虑，此类系统对安全性、稳定性与实时性能均有约束。我们提出一种框架，在满足这些约束的同时允许使用深度神经网络学习模型不确定性。我们方法的核心在于采用贝叶斯模型学习，其为在面对未知时保持适当谨慎提供了途径。在所提方法中，我们借助随机控制李雅普诺夫函数（CLF）与随机控制障碍函数（CBF）的理论，结合通过高斯过程或贝叶斯神经网络实现的可处理贝叶斯模型学习，发展了自适应控制框架。在合理假设下，我们以概率1保证稳定性与安全性，同时适应未知动态。我们针对高速地面机动展示了该架构，目标应用于安全关键的高速火星漫游车任务。
引用
@article{arxiv.1910.02325,
title = {Bayesian Learning-Based Adaptive Control for Safety Critical Systems},
author = {David D. Fan and Jennifer Nguyen and Rohan Thakker and Nikhilesh Alatur and Ali-akbar Agha-mohammadi and Evangelos A. Theodorou},
journal= {arXiv preprint arXiv:1910.02325},
year = {2021}
}
备注
Corrected an error in section II, where previously the problem was introduced in a non-stochastic setting and wrongly assumed the solution to an ODE with Gaussian distributed parametric uncertainty was equivalent to an SDE with a learned diffusion term. See Lew, T et al. "On the Problem of Reformulating Systems with Uncertain Dynamics as a Stochastic Differential Equation"