基于高斯过程的安全关键资源受限系统网络化在线学习控制
系统与控制
2022-02-24 v1 机器学习
系统与控制
摘要
在未知环境中运行的安全关键技术系统需要快速自适应行为的能力，这可通过从运行期间生成的数据流在线推断模型在控制中实现。基于高斯过程的学习尤其适合安全关键应用，因其确保有界的预测误差。尽管存在用于在线推断的计算高效近似方法，但这些方法缺乏预测误差保证且内存需求高，因此不适用于具有严格内存约束的安全关键系统。本工作中，我们提出一种基于高斯过程回归的新型网络化在线学习方法，通过采用云端的远程数据管理解决本地资源有限的问题。我们的方法以高概率形式保证有界的跟踪误差，并利用该性质识别最相关数据以达成特定控制性能。我们进一步提出一种本地系统与圆端之间考虑传输通道带宽限制与时延的有效数据传输方案。所提方法的有效性在仿真中成功得到验证。
引用
@article{arxiv.2202.11491,
title = {Networked Online Learning for Control of Safety-Critical Resource-Constrained Systems based on Gaussian Processes},
author = {Armin Lederer and Mingmin Zhang and Samuel Tesfazgi and Sandra Hirche},
journal= {arXiv preprint arXiv:2202.11491},
year = {2022}
}