Convex Approximation of Probabilistic Reachable Sets from Small Samples Using Self-supervised Neural Networks

要約

確率的到達可能セット (PRS) は自律システムの多くの分野で重要な役割を果たしていますが、PRS を効率的に生成することは依然として大きな課題です。
この論文では、動的システム内の状態の 2 次元 PRS を生成する学習アプローチを紹介します。
ハミルトン・ヤコビ到達可能性解析、モンテカルロ、ガウス過程分類などの従来の手法は、重大な計算上の課題に直面したり、詳細なダイナミクス情報を必要としたりするため、現実的な状況での適用が制限されます。
既存のデータ駆動型の手法は正確性に欠ける可能性があります。
これらの制限を克服するために、私たちは、模倣学習やコンピューター ビジョンで一般的に使用されるニューラル ネットワークを活用して、専門家の手法を模倣して PRS 近似を生成することを提案します。
私たちは、マルチラベルの自己教師あり学習アプローチを使用してニューラル ネットワークをトレーニングしました。
エキスパート PRS を作成するエキスパートとして、微調整凸近似法を選択しました。
さらに、分布からのサンプリングを継続して、多様なサンプルセットを取得しました。
サンプル セットが小さい場合、トレーニング済みニューラル ネットワークはエキスパート手法によって生成された PRS 近似を再現でき、生成速度ははるかに高速になります。

要約(オリジナル)

Probabilistic Reachable Set (PRS) plays a crucial role in many fields of autonomous systems, yet efficiently generating PRS remains a significant challenge. This paper presents a learning approach to generating 2-dimensional PRS for states in a dynamic system. Traditional methods such as Hamilton-Jacobi reachability analysis, Monte Carlo, and Gaussian process classification face significant computational challenges or require detailed dynamics information, limiting their applicability in realistic situations. Existing data-driven methods may lack accuracy. To overcome these limitations, we propose leveraging neural networks, commonly used in imitation learning and computer vision, to imitate expert methods to generate PRS approximations. We trained the neural networks using a multi-label, self-supervised learning approach. We selected the fine-tuned convex approximation method as the expert to create expert PRS. Additionally, we continued sampling from the distribution to obtain a diverse array of sample sets. Given a small sample set, the trained neural networks can replicate the PRS approximation generated by the expert method, while the generation speed is much faster.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google