不确定动力学系统控制中安全保证的结构化学习
系统与控制
2022-02-08 v2 系统与控制
摘要
使动力学系统保持在状态约束内的方法通常依赖基于模型的安全条件来限制控制信号。在显著建模不确定性下，系统可能因安全条件变得过度保守而遭受严重性能损失。机器学习可用于减小系统动力学周围的不确定性并提升性能。在本文中，我们提出安全不确定性学习原理，并论证学习必须被适当结构化以保留安全保证。例如，鲁棒安全条件是必要的，且必须在学习前以保守不确定性界初始化；此外，仅当所采集数据充分刻画未来系统行为时，才应收紧不确定性界。为支持该原理，我们使用控制障碍函数求解了两个示例问题：自动驾驶车辆的换道控制器与自适应巡航控制器。本工作提供了一种评估机器学习在不确动力学系统控制中是否保留安全保证的方法，也凸显了控制中学习的挑战性方面。
引用
@article{arxiv.2112.03347,
title = {Structured learning of safety guarantees for the control of uncertain dynamical systems},
author = {Marc-Antoine Beaudoin and Benoit Boulet},
journal= {arXiv preprint arXiv:2112.03347},
year = {2022}
}