CaRT: Certified Safety and Robust Tracking in Learning-based Motion Planning for Multi-Agent Systems

要約

私たちの分析手法である CaRT の主な革新は、特定の学習ベースの動作計画ポリシーの安全性と堅牢性を保証する新しい階層型分散アーキテクチャを確立することにあります。
まず、名目上の設定では、CaRT 安全フィルターの分析形式は、学習ベースのポリシーからの逸脱を最小限に抑えながら、非線形マルチエージェント システムの安全な操作を正式に保証します。
第 2 に、公称外の設定では、CaRT ロバスト フィルターの分析形式が、階層内の前の層である CaRT 安全フィルターによって生成された、認定された安全な軌道を最適に追跡します。
収縮理論を使用して、CaRT は、決定論的および確率的外乱が存在する場合でも、安全性と軌道追跡誤差の指数関数的境界性を保証することを示します。
また、CaRT の階層的な性質により、認定された安全な軌道への優れた追跡だけで安全性に対するロバスト性を強化できるため、大きな外乱を伴う公称外のシナリオに適しています。
これは、堅牢性が安全セットの安定性に由来する従来の安全機能主導のアプローチとの大きな違いであり、安全セットの内部にシステムを過度に保守的に引き寄せる可能性があります。
CaRT でのログバリアの定式化は、マルチエージェント設定での分散実装を可能にします。
我々は、複数の宇宙船の最適な再構成を含む、非線形運動計画と制御問題のいくつかの例で CaRT の有効性を実証します。

要約(オリジナル)

The key innovation of our analytical method, CaRT, lies in establishing a new hierarchical, distributed architecture to guarantee the safety and robustness of a given learning-based motion planning policy. First, in a nominal setting, the analytical form of our CaRT safety filter formally ensures safe maneuvers of nonlinear multi-agent systems, optimally with minimal deviation from the learning-based policy. Second, in off-nominal settings, the analytical form of our CaRT robust filter optimally tracks the certified safe trajectory, generated by the previous layer in the hierarchy, the CaRT safety filter. We show using contraction theory that CaRT guarantees safety and the exponential boundedness of the trajectory tracking error, even under the presence of deterministic and stochastic disturbance. Also, the hierarchical nature of CaRT enables enhancing its robustness for safety just by its superior tracking to the certified safe trajectory, thereby making it suitable for off-nominal scenarios with large disturbances. This is a major distinction from conventional safety function-driven approaches, where the robustness originates from the stability of a safe set, which could pull the system over-conservatively to the interior of the safe set. Our log-barrier formulation in CaRT allows for its distributed implementation in multi-agent settings. We demonstrate the effectiveness of CaRT in several examples of nonlinear motion planning and control problems, including optimal, multi-spacecraft reconfiguration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google