基于 Bernstein 近似的神经网络动态模型实时安全控制
机器学习
2024-05-22 v2 机器人学
系统与控制
系统与控制
摘要
神经网络动态模型(NNDM)的安全控制对机器人和众多应用至关重要。然而，针对NNDM实时计算最优安全控制仍具有挑战性。为实现实时计算，我们提出在控制合成中使用NNDM的sound近似。具体地，我们提出基于ReLU激活函数在NNDM上Bernstein多项式近似(Bernstein over-approximated neural dynamics, BOND)的Bernstein近似神经动力学。为缓解近似引入的误差并确保安全控制问题的持久可行性，我们离线合成使用BPO松弛中最不安全近似状态的worst-case安全指数。对于在线实时优化，我们将非线性worst-case安全约束的一阶Taylor近似形式化为NNDM的额外线性层，具有l2有界偏置项用于高阶余项。在不同神经动力学和安全约束的全面实验中显示，With safety guaranteed, our NNDMs with sound approximation在安全控制基线使用混合整数规划(MIP)的情况下快10-100倍，验证了worst-case安全指数和BOND在实时大规模设置中的有效性。代码已公开于https://github.com/intelligent-control-lab/BOND。
引用
@article{arxiv.2404.13456,
title = {Real-Time Safe Control of Neural Network Dynamic Models with Sound Approximation},
author = {Hanjiang Hu and Jianglin Lan and Changliu Liu},
journal= {arXiv preprint arXiv:2404.13456},
year = {2024}
}
备注
Camera-ready version of L4DC 2024, 12 pages, 3 figures, 4 tables