Safety-Critical Control with Uncertainty Quantification using Adaptive Conformal Prediction

要約

ロボットシステムの計画と制御においては、安全性の確保が非常に重要です。
現実世界で動作するロボットの場合、セーフティ クリティカルな設計では多くの場合、不確実性に明示的に対処する必要があり、事前に計算された保証は、不確実性の特定の分布の仮定に依存することがよくあります。
ただし、実際の不確実性分布を事前に特徴付けることは困難であるため、分布の不一致の可能性により、確立された安全性の保証が違反される可能性があります。
この論文では、運動ノイズの未知の分布に従う確率力学システムに高確率の安全保証を提供する新しい安全制御フレームワークを提案します。
具体的には、このフレームワークは、適応型等角予測を採用してオンライン観測からの予測の不確実性を動的に定量化し、それを制御バリア関数 (CBF) の確率的拡張と組み合わせて、不確実性を考慮した制御制約を特徴付けます。
モデルの予測制御スキームに制約を統合することで、ロボットが分布のない設定でオンラインで真の予測の不確実性を適応的に捕捉できるようになり、形式的に証明可能な高確率の安全保証を享受できるようになります。
確率的単一積分器ダイナミクスと一輪車ダイナミクスを使用したマルチロボット システムのシミュレーション結果は、フレームワークの有効性を実証するために提供されます。

要約(オリジナル)

Safety assurance is critical in the planning and control of robotic systems. For robots operating in the real world, the safety-critical design often needs to explicitly address uncertainties and the pre-computed guarantees often rely on the assumption of the particular distribution of the uncertainty. However, it is difficult to characterize the actual uncertainty distribution beforehand and thus the established safety guarantee may be violated due to possible distribution mismatch. In this paper, we propose a novel safe control framework that provides a high-probability safety guarantee for stochastic dynamical systems following unknown distributions of motion noise. Specifically, this framework adopts adaptive conformal prediction to dynamically quantify the prediction uncertainty from online observations and combines that with the probabilistic extension of the control barrier functions (CBFs) to characterize the uncertainty-aware control constraints. By integrating the constraints in the model predictive control scheme, it allows robots to adaptively capture the true prediction uncertainty online in a distribution-free setting and enjoys formally provable high-probability safety assurance. Simulation results on multi-robot systems with stochastic single-integrator dynamics and unicycle dynamics are provided to demonstrate the effectiveness of our framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google