从原始数据到安全：通过集合扩展减少保守性
系统与控制
2024-03-26 v1 系统与控制
摘要
针对基于学习的算法相关的安全问题，安全过滤器已被提出作为一种模块化技术。通常，这些过滤器严重依赖于系统的模型，如果它们旨在增强数据驱动或端到端学习解决方案，这将是矛盾的。本文扩展了我们之前的工作，即基于Willems引理的纯数据驱动安全过滤器（DDSF），提出了一种极其短视且非保守的解决方案。具体来说，我们提出了在线和离线基于样本的方法来扩展DDSF的安全集并减少其保守性。由于该方法是在输入输出框架中定义的，因此它可以使用单一批次数据系统地处理未知和时滞LTI系统。为了评估其性能，我们将所提出的方法应用于不同设置下的时滞系统。仿真结果验证了集合扩展算法在生成显著大的输入输出安全集方面的有效性，从而即使在极短的预测范围内也能产生非保守的安全过滤器。
引用
@article{arxiv.2403.15883,
title = {From Raw Data to Safety: Reducing Conservatism by Set Expansion},
author = {Mohammad Bajelani and Klaske van Heusden},
journal= {arXiv preprint arXiv:2403.15883},
year = {2024}
}