基于控制李雅普诺夫障碍函数的安全机器人强化学习控制
机器人学
2023-05-18 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
强化学习(RL)在管理机器人复杂控制任务时表现出令人印象深刻的性能。然而，其对物理机器人的广泛应用受限于缺乏强安全性保证。为克服此挑战，本文探索控制李雅普诺夫障碍函数(CLBF)，以仅基于数据而不显式使用动力学模型来分析安全性与可达性。我们还提出了李雅普诺夫障碍 actor-critic (LBAC)，一种无模型RL算法，用于搜索满足安全性与可达性条件之数据驱动的近似的控制器。所提方法通过仿真与真实世界机器人控制实验(即一个2D四旋翼导航任务)进行了演示。实验结果表明该方法在可达性与安全性上优于其他无模型RL方法。
引用
@article{arxiv.2305.09793,
title = {Reinforcement Learning for Safe Robot Control using Control Lyapunov Barrier Functions},
author = {Desong Du and Shaohang Han and Naiming Qi and Haitham Bou Ammar and Jun Wang and Wei Pan},
journal= {arXiv preprint arXiv:2305.09793},
year = {2023}
}