基于 MPC 引导的安全感知学习：Disturbance 注入
机器人学
2025-08-06 v1
摘要
感知学习已提供一种从专家演示中学习复杂机器人行为的有前景的方法。然而，学习得到的策略可能会出错，导致安全违规，这限制了其在安全关键应用中的部署。我们提出了 MPC-SafeGIL，一种设计时方法，通过在专家演示期间注入对抗性扰动来增强感知学习的安全性。这将让专家暴露于更广泛的安全关键情境中，使感知策略能够学习鲁棒的恢复行为。我们的方法使用基于抽样的模型预测控制(MPC)来逼近最坏情况扰动，使其可扩展到高维和黑箱动力系统。在 contrast to 之前依赖分析模型或交互式专家的工作之外，MPC-SafeGIL 将安全性直接集成到数据收集中。我们通过大量仿真测试，包括四足 locomotion 和视觉运动导航，以及四旋翼机的实际实验，验证了我们方法在安全性和任务性能方面的改进。
引用
@article{arxiv.2508.03129,
title = {Safety-Aware Imitation Learning via MPC-Guided Disturbance Injection},
author = {Le Qiu and Yusuf Umut Ciftci and Somil Bansal},
journal= {arXiv preprint arXiv:2508.03129},
year = {2025}
}