基于学习控制的概率模型预测安全认证
系统与控制
2021-01-19 v2 系统与控制
摘要
强化学习（RL）方法已在仿真环境中展现出其高效性。然而，许多 RL 具有巨大潜力的应用（如自动驾驶）同样安全攸关，并需要经认证的闭环行为，以在物理约束下满足安全规范。本文引入一种称为概率模型预测安全认证（PMPSC）的概念，它可与任意 RL 算法结合，并为潜在大规模系统提供关于状态与输入机会约束的可证明安全证书。该证书通过一条随机管实现，该管将当前系统状态安全地连接至已知安全的终端状态集。一种以凸滚动时域问题表述的新颖形式，使得尽管存在可能无界的扰动，仍能递归可行地实时计算此类概率管。提出了一种依赖贝叶斯推断与概率集不变性最新进展的 PMPSC 设计流程。借助数值汽车仿真，通过为简单 RL 算法增强安全证书，对该方法及其设计流程进行了说明。
引用
@article{arxiv.1906.10417,
title = {Probabilistic model predictive safety certification for learning-based control},
author = {Kim P. Wabersich and Lukas Hewing and Andrea Carron and Melanie N. Zeilinger},
journal= {arXiv preprint arXiv:1906.10417},
year = {2021}
}