通过测量鲁棒控制屏障函数保证习得感知模块的安全性
系统与控制
2020-11-02 v1 机器学习
系统与控制
最优化与控制
机器学习
摘要
现代非线性控制理论致力于开发赋予系统安全性与稳定性等特性的反馈控制器。这些控制器所确保的保证通常依赖于为确定控制动作而对系统状态的准确估计。在实践中,测量模型的不确定性会导致状态估计误差,从而削弱这些保证。本文旨在统一控制理论与机器学习的技术,以合成在存在测量模型不确定性时仍能实现安全性的控制器。我们定义了测量鲁棒控制屏障函数(Measurement-Robust Control Barrier Function, MR-CBF)的概念,作为在面临测量模型不确定性时确定安全控制输入的工具。此外,MR-CBF用于指导基于学习的感知系统的采样方法,并量化所得习得模型中可容忍的误差。我们在模拟的Segway系统上展示了MR-CBF在测量模型不确定性下实现安全性的有效性。
引用
@article{arxiv.2010.16001,
title = {Guaranteeing Safety of Learned Perception Modules via Measurement-Robust Control Barrier Functions},
author = {Sarah Dean and Andrew J. Taylor and Ryan K. Cosner and Benjamin Recht and Aaron D. Ames},
journal= {arXiv preprint arXiv:2010.16001},
year = {2020}
}