用于风险感知控制的在线扰动学习：少于一分钟数据下的风险感知飞行
系统与控制
2022-12-14 v1 信息论
机器学习
机器人学
系统与控制
math.IT
摘要
近期安全关键风险感知控制的进展建立在系统可能面临的扰动先验知识之上。本文提出一种在风险感知背景下高效在线学习这些扰动的方法。首先，我们引入风险面（Surface-at-Risk）的概念，这是一种针对随机过程的风险度量，扩展了风险感知控制界常用的风险度量——在险价值（Value-at-Risk）。其次，我们将模型与真实系统演化之间状态差异的范数建模为标量值随机过程，并通过高斯过程回归（Gaussian Process Regression）确定其风险面的上界。第三，我们在可针对系统运行期间收集的数据集验证的温和假设下，给出了关于我们所拟合曲面准确性的理论结果。最后，我们通过增强无人机控制器实验验证了我们的流程，并突出了在收集少于一分钟运行数据后通过我们的风险感知方法实现的性能提升。
引用
@article{arxiv.2212.06253,
title = {Learning Disturbances Online for Risk-Aware Control: Risk-Aware Flight with Less Than One Minute of Data},
author = {Prithvi Akella and Skylar X. Wei and Joel W. Burdick and Aaron D. Ames},
journal= {arXiv preprint arXiv:2212.06253},
year = {2022}
}