物理先验表示与学习：控制与风险量化
系统与控制
2024-05-10 v3 系统与控制
摘要
最优控制与安全关键控制是随机系统的基本问题，广泛应用于机器人操作和自动驾驶等现实场景中。在本文中，我们考虑了高效寻找高维系统最优且安全的控制问题。具体而言，我们提出将源自随机微分方程比较定理的降维技术与可泛化的物理先验神经网络相结合，以估计系统的最优值函数和安全概率。与现有方法相比，所提出的框架显著提高了样本效率。我们进一步开发了一种类似自编码器的神经网络，以自动识别系统的低维特征，从而简化系统集成的设计。我们还提供了实验和定量分析以验证所提方法的有效性。源代码可在 https://github.com/jacobwang925/path-integral-PINN 获取。
引用
@article{arxiv.2312.10594,
title = {Physics-Informed Representation and Learning: Control and Risk Quantification},
author = {Zhuoyuan Wang and Reece Keller and Xiyu Deng and Kenta Hoshino and Takashi Tanaka and Yorie Nakahira},
journal= {arXiv preprint arXiv:2312.10594},
year = {2024}
}
备注
Accepted at the AAAI 24 conference