高阶不确定模型中基于高斯过程的实时自适应安全关键控制
机器学习
2024-03-06 v2 系统与控制
系统与控制
摘要
本文提出了一种针对参数不确定系统的自适应在线学习框架，以确保非平稳环境中的安全关键控制。我们的方法包括两个阶段。初始阶段集中于一种新颖的稀疏高斯过程 (GP) 框架。我们首先整合一个遗忘因子来改进变分稀疏 GP 算法，从而增强其适应性。随后，使用特殊的复合核训练高斯模型的超参数，并通过结合学习到的超参数更新源自新样本的单一诱导点，从而加强高斯模型的在线推理能力和计算效率。在第二阶段，我们提出了一种基于高阶控制屏障函数 (HOCBFs) 的安全过滤器，并与之前训练的学习模型协同工作。通过利用第一阶段的复合核，我们有效地解决了 GP 在处理实时应用的高维问题时的固有局限性。导出的控制器确保了满足安全规范概率的严格下界。最后，通过在仿真平台和真实世界的 7-DOF 机器人上执行的实时避障实验，证明了我们所提算法的有效性。
引用
@article{arxiv.2402.18946,
title = {Real-Time Adaptive Safety-Critical Control with Gaussian Processes in High-Order Uncertain Models},
author = {Yu Zhang and Long Wen and Xiangtong Yao and Zhenshan Bing and Linghuan Kong and Wei He and Alois Knoll},
journal= {arXiv preprint arXiv:2402.18946},
year = {2024}
}