辅助机器人学中用于安全学习与适配的可证明正确控制策略
机器人学
2023-03-14 v1
摘要
在以人为中心的应用中保证安全在机器人学习中至关重要，因为学到的策略在先前未见的场景中可能表现出不安全行为。我们提出一个框架，利用混合整数二次规划（MIQP）局部修复错误的策略网络以满足一组形式化安全约束。我们的 MIQP 公式在最小化原始损失函数的同时，将安全约束显式施加于所学策略。随后验证该策略网络为局部安全。我们展示了将我们的框架应用于推导机器人小腿假肢的安全策略。
引用
@article{arxiv.2303.06582,
title = {Certifiably-correct Control Policies for Safe Learning and Adaptation in Assistive Robotics},
author = {Keyvan Majd and Geoffrey Clark and Tanmay Khandait and Siyu Zhou and Sriram Sankaranarayanan and Georgios Fainekos and Heni Ben Amor},
journal= {arXiv preprint arXiv:2303.06582},
year = {2023}
}
备注
Appeared in the 36th Conference on Neural Information Processing Systems (NeurIPS) - Robot Learning Workshop. arXiv admin note: substantial text overlap with arXiv:2303.04431