Enhancing the Performance of DeepReach on High-Dimensional Systems through Optimizing Activation Functions

要約

自律システムの継続的な進歩に伴い、安全性が重要なシステムに堅牢な安全保証を提供することが重要になっています。
ハミルトン・ヤコビ到達可能性分析は、動的システムのパフォーマンスと安全性を保証する正式な検証手法であり、さまざまなタスクや課題に広く適用できます。
従来、到達可能性の問題はグリッドベースの手法を使用して解決されてきましたが、その計算コストとメモリコストはシステムの次元に応じて指数関数的に増加します。
この課題を克服するために、高次元の到達可能性問題を近似的に解決する深層学習ベースのアプローチである DeepReach が提案され、多くの期待が寄せられています。
このペーパーでは、活性化関数のさまざまな選択肢を検討することで、高次元システムにおける DeepReach のパフォーマンスを向上させることを目的としています。
まず概念実証として 3D システムで実験を実行します。
次に、9D 複数車両衝突問題に対するアプローチの有効性を実証します。

要約(オリジナル)

With the continuous advancement in autonomous systems, it becomes crucial to provide robust safety guarantees for safety-critical systems. Hamilton-Jacobi Reachability Analysis is a formal verification method that guarantees performance and safety for dynamical systems and is widely applicable to various tasks and challenges. Traditionally, reachability problems are solved by using grid-based methods, whose computational and memory cost scales exponentially with the dimensionality of the system. To overcome this challenge, DeepReach, a deep learning-based approach that approximately solves high-dimensional reachability problems, is proposed and has shown lots of promise. In this paper, we aim to improve the performance of DeepReach on high-dimensional systems by exploring different choices of activation functions. We first run experiments on a 3D system as a proof of concept. Then we demonstrate the effectiveness of our approach on a 9D multi-vehicle collision problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google