利用漏斗库学习可证明鲁棒的运动规划器
机器人学
2021-11-18 v1 机器学习
系统与控制
系统与控制
摘要
本文提出了一种学习运动规划器的方法，该方法附带在新环境中成功的概率保证，且这些保证在 admissible set 内对机器人动力学任意扰动均一致成立。我们通过结合泛化理论与鲁棒控制工具来实现这一点。首先，我们策划一个运动基元库，其中每个基元的鲁棒性由前向可达集的过近似（即“漏斗”）来刻画。然后，我们优化 probably approximately correct (PAC)-Bayes 泛化界，以训练我们的规划器来组合这些基元，使得整个漏斗满足问题规范。我们在两个仿真示例上展示了我们的方法提供强保证的能力：(i) 五车道高速公路上多车环境下自动驾驶车辆在外部扰动下的导航，以及 (ii) 存在风扰时无人机穿越障碍场的导航。
引用
@article{arxiv.2111.08733,
title = {Learning Provably Robust Motion Planners Using Funnel Libraries},
author = {Ali Ekin Gurgen and Anirudha Majumdar and Sushant Veer},
journal= {arXiv preprint arXiv:2111.08733},
year = {2021}
}