通过监督学习提升安全控制器性能用于卡车横向控制
系统与控制
2018-05-03 v2
摘要
按构造正确（correct-by-construction）技术，如控制障碍函数（CBFs），可作为现有或遗留控制器的监督器来保证闭环安全。然而，监督控制干预通常会损害闭环系统的性能。另一方面，机器学习已被用于合成从训练数据集中继承良好特性的控制器，尽管由于难以分析相关神经网络，安全性通常无法保证。本文中，监督学习与 CBFs 相结合以合成兼具良好性能与可证明安全性的控制器。通过轨迹优化生成训练集，该优化在卡车模型一系列有趣初始条件下纳入 CBF 约束。通过监督学习获得控制策略，将代表初始条件的特征映射到参数化期望轨迹。基于学习的控制器用作性能控制器，而基于 CBF 的监督控制器保证安全。铰接卡车的车道保持案例研究表明，经监督学习训练的控制器继承了训练集的良好性能，且很少需要 CBF 监督器干预。
引用
@article{arxiv.1712.05506,
title = {Enhancing the performance of a safe controller via supervised learning for truck lateral control},
author = {Yuxiao Chen and Ayonga Hereid and Huei Peng and Jessy Grizzle},
journal= {arXiv preprint arXiv:1712.05506},
year = {2018}
}
备注
submitted to IEEE Transaction of Control System Technology