Data-Driven Model Discrimination of Switched Nonlinear Systems with Temporal Logic Inference

要約

この論文では、未知のダイナミクスとタスクのサンプル データのみが利用可能な、モード シーケンスを制御するタスクを表す未知の線形時相論理 (LTL) 仕様を持つ未知のスイッチ システムのデータ駆動型モデルの識別の問題を扱います。
この問題に取り組むために、未知のダイナミクスを過近似し、未知のダイナミクスの集合メンバーシップ モデルと LTL 式の両方にグランド トゥルース モデルと仕様/タスクが含まれることが保証されるように、未知の仕様を推論するデータ駆動型の方法を提案します。
。
さらに、学習/推論されたモデルとタスクのペアのセットの識別可能性を分析するための最適化ベースのアルゴリズムと、実行時に新しい観察と矛盾するモデルとタスクのペアをこのセットから除外するためのモデル識別アルゴリズムを提示します。
。
さらに、モデル識別アルゴリズムの計算効率を高めるために、推論された仕様のサイズを削減するアプローチを紹介します。

要約(オリジナル)

This paper addresses the problem of data-driven model discrimination for unknown switched systems with unknown linear temporal logic (LTL) specifications, representing tasks, that govern their mode sequences, where only sampled data of the unknown dynamics and tasks are available. To tackle this problem, we propose data-driven methods to over-approximate the unknown dynamics and to infer the unknown specifications such that both set-membership models of the unknown dynamics and LTL formulas are guaranteed to include the ground truth model and specification/task. Moreover, we present an optimization-based algorithm for analyzing the distinguishability of a set of learned/inferred model-task pairs as well as a model discrimination algorithm for ruling out model-task pairs from this set that are inconsistent with new observations at run time. Further, we present an approach for reducing the size of inferred specifications to increase the computational efficiency of the model discrimination algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google