通过神经网络可达性实现黑盒系统穿越狭窄间隙的保证到达-避让
机器人学
2025-03-04 v2 系统与控制
系统与控制
摘要
在经典的到达-避让问题中，自主移动机器人需在避开障碍物的同时到达目标。然而，当障碍物形成狭窄间隙且机器人是黑盒（即动力学无解析表达式，但与系统交互成本低廉）时，很难对机器人的性能提供保证。为应对这一挑战，本文提出了 NeuralPARC。该方法将作者先前的分段仿射到达-避让计算（PARC）方法扩展至由修正线性单元（ReLU）神经网络建模的系统，该网络经训练以表示机器人演示的参数化轨迹数据。NeuralPARC 在考虑建模误差的情况下计算网络的可达集，并返回一组状态与参数，使得黑盒系统能够保证到达目标并避开障碍物。结果表明 NeuralPARC 优于 PARC，在仿真和模型车实物中均生成了可证明安全的极端车辆漂移泊车机动，并在受大扰动且由深度强化学习（RL）策略控制的自主水面艇（ASV）上实现了安全保障。
引用
@article{arxiv.2409.13195,
title = {Guaranteed Reach-Avoid for Black-Box Systems through Narrow Gaps via Neural Network Reachability},
author = {Long Kiu Chung and Wonsuhk Jung and Srivatsank Pullabhotla and Parth Shinde and Yadu Sunil and Saihari Kota and Luis Felipe Wolf Batista and Cédric Pradalier and Shreyas Kousik},
journal= {arXiv preprint arXiv:2409.13195},
year = {2025}
}
备注
This work has been submitted for possible publication