学习离散时间随机系统的可证明稳定神经控制器
机器学习
2023-07-31 v2 人工智能
系统与控制
系统与控制
摘要
我们考虑在离散时间随机系统中学习控制策略的问题，该策略保证系统以概率 稳定在某个指定的稳定区域内。我们的方法基于我们在本工作中引入的稳定排序超鞅（sRSMs）这一新概念。我们的 sRSMs 克服了先前工作中提出的方法的局限性，这些方法的适用性仅限于在任何控制策略下一旦进入便无法离开稳定区域的系统。我们提出了一种学习程序，该程序同时学习控制策略和正式证明概率 稳定性的 sRSM，两者均作为神经网络学习。我们表明，该程序也可被调整用于正式验证：在给定的 Lipschitz 连续控制策略下，随机系统以概率 稳定在某个稳定区域内。我们的实验评估表明，我们的学习程序在实践中能够成功学习可证明稳定的策略。
引用
@article{arxiv.2210.05304,
title = {Learning Provably Stabilizing Neural Controllers for Discrete-Time Stochastic Systems},
author = {Matin Ansaripour and Krishnendu Chatterjee and Thomas A. Henzinger and Mathias Lechner and Đorđe Žikelić},
journal= {arXiv preprint arXiv:2210.05304},
year = {2023}
}
备注
Accepted at ATVA 2023. Follow-up work of arXiv:2112.09495