非线性系统的安全保证探索

在具有先验未知约束的环境中安全探索是限制机器人自主性的根本挑战。虽然安全性至关重要，但充分的探索保证对于确保自主任务完成同样关键。为应对这些挑战，我们提出了一种利用最优控制的新型安全保证探索框架，实现了首创成果：在具有任意高概率被证明安全的同时，为具有有限时间样本复杂度边界的非线性系统提供保证探索。该框架具有通用性，适用于具有复杂非线性动力学和未知域的许多现实场景。我们通过提出一种算法 SageMPC（SAfe Guaranteed Exploration using Model Predictive Control，基于模型预测控制的安全保证探索）提高了该通用框架的效率。SageMPC 利用了三项关键技术：i) 利用 Lipschitz 界，ii) 目标导向探索，以及 iii) 滚动时域式重规划，同时保持了框架所需的样本复杂度、安全性和探索保证。最后，我们展示了使用 SageMPC 结合汽车模型在具有挑战性的未知环境中实现安全高效探索的效果。