基于哈密顿-雅可比可达性分析的可扩展自动驾驶系统安全保证学习
机器人学
2021-04-06 v2 机器学习
系统与控制
系统与控制
摘要
飞机和辅助机器人等自主系统常在保障安全至关重要的场景中运行。哈密顿-雅可比可达性（Hamilton-Jacobi reachability）等方法可为此类系统提供有保证的安全集与控制器。然而，这些场景常具有未知或不确定环境、系统动力学或其他智能体预测。系统在运行时可能学到关于这些不确定性的新知识，因此应相应更新其安全性分析。然而，由于分析的计算复杂性，学习和更新安全性分析的工作仅限于约二维的小规模系统。本文综合多种技术以加速计算：分解、热启动和自适应网格。利用这一新框架，我们更新安全集的速度比先前工作快一个或多个数量级，使该技术在许多实际系统中切实可行。我们在模拟的二维和十维近悬停四旋翼飞行器于有风环境中运行的结果上展示了我们的方法。
引用
@article{arxiv.2101.05916,
title = {Scalable Learning of Safety Guarantees for Autonomous Systems using Hamilton-Jacobi Reachability},
author = {Sylvia Herbert and Jason J. Choi and Suvansh Sanjeev and Marsalis Gibson and Koushil Sreenath and Claire J. Tomlin},
journal= {arXiv preprint arXiv:2101.05916},
year = {2021}
}
备注
The first two authors are co-first authors. ICRA 2021