基于学习收缩度量的模型误差传播用于未知系统的安全反馈运动规划

我们提出一种针对具有未知动力学、局部增量指数可镇定系统的基于收缩的反馈运动规划方法，该方法提供概率安全与可达性保证。给定动力学数据集，我们的方法学习动力学的深度控制仿射近似。为寻找可用于规划的可信域，我们在训练数据周边区域获得模型误差 Lipschitz 常数的估计（以给定概率成立），提供局部的、空间变化的模型误差界。我们推导了受此模型误差影响的基于收缩的控制器之轨迹跟踪误差界，随后学习一个优化该跟踪界的控制器。我们以给定概率验证可信域内控制器与跟踪误差界的正确性。接着，我们将轨迹误差界与可信域结合以引导基于采样的规划器返回可在执行中鲁棒跟踪的轨迹。我们在 4 维车辆、6 维四旋翼和 22 维可变形物体操控任务上展示结果，表明我们的方法能利用高维欠驱动系统的学习模型安全规划，而不考虑跟踪误差界或可信域的基线方法可能无法镇定系统并变得不安全。