基于学习的鲁棒运动规划与稳定性保证：一种收缩理论方法
机器人学
2021-10-05 v4 人工智能
机器学习
系统与控制
系统与控制
摘要
本文提出具有鲁棒性与稳定性保证的基于学习的自主导引方法（LAG-ROS），该方法通过利用收缩理论设计微分李雅普诺夫函数，为基于机器学习的非线性运动规划器提供形式化的鲁棒性与稳定性保证。LAG-ROS利用神经网络独立于目标轨迹建模一个鲁棒跟踪控制器，我们证明即便在存在有界外部扰动的情况下，目标轨迹与受控轨迹之间的欧氏距离在学习误差上呈指数有界线性关系。我们还提出了一种凸优化方法，通过最小化跟踪误差的稳态界来构造用于神经网络训练的鲁棒控制律。数值仿真表明，所提方法确实具备源于收缩理论的优越鲁棒性与非线性稳定性，同时保持了现有基于学习的运动规划器的计算效率。
引用
@article{arxiv.2102.12668,
title = {Learning-based Robust Motion Planning with Guaranteed Stability: A Contraction Theory Approach},
author = {Hiroyasu Tsukamoto and Soon-Jo Chung},
journal= {arXiv preprint arXiv:2102.12668},
year = {2021}
}
备注
IEEE Robotics and Automation Letters (RA-L), Preprint Version. Accepted June, 2021 (DOI: 10.1109/LRA.2021.3091019)