HJRNO：基于神经算子的 Hamilton-Jacobi 可达性分析
机器人学
2025-06-09 v2
摘要
在不确定性条件下确保自主系统的安全性是一项关键挑战。Hamilton-Jacobi 可达性 (HJR) 分析是广泛用于在最坏情况扰动下保证安全性的方法。本文提出了 HJRNO，即一种基于神经算子的框架，用于高效准确地求解后向可达管道 (BRT)。通过利用神经算子，HJRNO 学习了价值函数之间的映射，实现了具备强大泛化能力的快速推断，能够适用于不同的障碍物形状和系统配置。我们展示了 HJRNO 在随机障碍场景下具有低误差，并在不同系统动力学条件下具有良好的泛化能力。这些结果表明，HJRNO 为自主系统的可扩展、实时安全分析提供了具有前景的基础模型方法。
引用
@article{arxiv.2504.19989,
title = {HJRNO: Hamilton-Jacobi Reachability with Neural Operators},
author = {Yankai Li and Mo Chen},
journal= {arXiv preprint arXiv:2504.19989},
year = {2025}
}