基于离线-在线神经网络推断的安全关键控制
系统与控制
2024-08-05 v1 系统与控制
摘要
本文提出了一种用于 ego agent 在其他 agent 之间移动的安全关键控制框架。该方法推断其他 agent 的动力学，并将推断得到的量纳入基于控制屏障函数 (CBF) 的控制器设计中。推断方法结合离线和在线学习，使用径向基函数神经网络 (RBFNN)。RBFNN 使用收集的数据集进行离线训练。为增强 RBFNN 的泛化能力，随后使用新的观察在线更新权重，而无需持久激发条件，以增强方法的适用性。此外，我们采用自适应保 conformal 预测来量化 RBFNN 对其他 agent 动力学的估计误差，生成覆盖真实值的高置信度预测集合。最后，我们针对 ego agent 设计基于 CBF 的控制器，通过在采样数据 CBF 条件中考虑其他 agent 动力学的预测集合，确保以所需置信水平实现安全。提供仿真结果以演示所提出方法的有效性。
引用
@article{arxiv.2408.00918,
title = {Safety-Critical Control with Offline-Online Neural Network Inference},
author = {Junhui Zhang and Sze Zheng Yong and Dimitra Panagou},
journal= {arXiv preprint arXiv:2408.00918},
year = {2024}
}