System-level Safety Guard: Safe Tracking Control through Uncertain Neural Network Dynamics Models

要約

ニューラル ネットワーク (NN) は、ブラック ボックス関数近似器として、多くの制御およびロボット工学アプリケーションで検討されてきました。
ただし、不確実性が存在する場合にシステム全体の安全性を検証することは困難であるため、セーフティ クリティカルなシステムでの NN のモジュール式展開の妨げとなります。
この論文では、未知の力学システムの軌道追跡のための予測モデルとして NN を活用します。
私たちは、固有の不確実性と他のシステム モジュールからの不確実性の両方が存在する中でコントローラーの設計を検討します。
この設定では、制約付き軌道追跡問題を定式化し、混合整数線形計画法 (MILP) を使用して解決できることを示します。
提案された MILP ベースのソリューションは、システム全体の証明可能な安全性保証を享受しており、このアプローチはシミュレーションを通じてロボットのナビゲーションと障害物回避で経験的に実証されています。
デモビデオは https://xiaolisean.github.io/publication/2023-11-01-L4DC2024 でご覧いただけます。

要約(オリジナル)

The Neural Network (NN), as a black-box function approximator, has been considered in many control and robotics applications. However, difficulties in verifying the overall system safety in the presence of uncertainties hinder the modular deployment of NN in safety-critical systems. In this paper, we leverage the NNs as predictive models for trajectory tracking of unknown dynamical systems. We consider controller design in the presence of both intrinsic uncertainty and uncertainties from other system modules. In this setting, we formulate the constrained trajectory tracking problem and show that it can be solved using Mixed-integer Linear Programming (MILP). The proposed MILP-based solution enjoys a provable safety guarantee for the overall system, and the approach is empirically demonstrated in robot navigation and obstacle avoidance through simulations. The demonstration videos are available at https://xiaolisean.github.io/publication/2023-11-01-L4DC2024.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google