Data-Driven Nonconvex Reachability Analysis using Exact Multiplication
KTH Royal Institute of Technology(皇家理工学院)
本文提出了一种基于受限多项式ゾノトープ的精确乘法方法,用于数据驱动的非凸可达性分析,提升了对线性时变系统可达集的上界精度。
2025-12-19 cs.SY eess.SY
Data-Driven Reachability of Nonlinear Lipschitz Systems via Koopman Operator Embeddings
TUM School of Computation, Information, and Technology (CIT), Technical University of Munich (TUM)(慕尼黑工业大学计算、信息与技术学院)
本文提出基于Koopman算子和zonotopic集合表示的数据驱动可达性框架,通过将非线性系统提升为有限维线性模型,减少保守性并保持形式安全保证,实验证明其在长预测范围内的可达集近似更精确。
2026-08-12 cs.SY eess.SY
Data-Driven Reachability Analysis for Piecewise Affine Systems
Technical University of Munich(慕尼黑工业大学);University of Trieste(的里雅斯特大学)
本文提出了一种基于混合锥体的数据驱动可达性分析方法,用于解决分段仿射系统中动态突变区域边界的问题,并评估了考虑测量噪声的集合估计方法。
2026-02-17 cs.SY eess.SY
Data-Driven Reachability Analysis of Pedestrians Using Behavior Modes
针对行人未来状态集合预测缺乏安全保证或过于保守的问题,提出将历史轨迹按行为模式划分的数据驱动可达性分析方法,在真实开源数据集上验证其更安全、低保守且描述性更强。
2023-08-21 cs.SY eess.SY
Data-Driven Reachability Analysis Using Matrix Zonotopes
KTH Royal Institute of Technology(瑞典皇家理工学院);University of Stuttgart(斯图加特大学)
本文提出了一种数据驱动的未知系统动态可达性分析方法。可达性分析是保证系统安全性能的重要工具。然而,目前大多数可达性分析严重依赖于一个合适的系统模型的存在,这往往是不直接在实践中。相反,我们提出了一个数据驱动的可达性分析方法,从嘈杂的数据。更具体地说,我们首先提供了一个算法过近似的线性时不变系统的可达集使用矩阵zonotopes。然后我们引入Lipschitz非线性系统的一个推广。我们为这两种情况提供理论保证。数值算例表明了所介绍的方法的潜力和适用性。
2021-09-11 cs.LG cs.SY eess.SY
Transformer-Enhanced Data-Driven Output Reachability with Conformal Coverage Guarantees
Technical University of Munich(慕尼黑工业大学)
本文研究了在未知状态空间矩阵和未知观测映射条件下,仅通过噪声输入输出测量进行输出可达性分析,利用Cayley-Hamilton定理消除隐状态,构建参数不确定的自回归输入输出模型,并通过Transformer缓解保守性,实现分布无关的覆盖保证。
2026-04-02 cs.SY eess.SY
Conformalized Data-Driven Reachability Analysis with PAC Guarantees
Technical University of Munich(慕尼黑工业大学);Hainan Bielefeld University of Applied Sciences(海南比勒费尔德应用科学大学)
本文提出CDDR框架,通过Learn Then Test校准方法提供PAC保证,适用于未知过程噪声分布的线性系统、有界测量噪声的线性系统及非线性系统,实验表明其在高斯和重尾噪声下有效。
2026-11-10 cs.SY eess.SY
Transformer-Accelerated Interpolated Data-Driven Reachability Analysis from Noisy Data
TUM School of Computation, Information, and Technology (CIT), Technical University of Munich (TUM)(慕尼黑工业大学计算、信息与技术学院)
本文提出插值可达性分析方法,通过稀疏链粗锚集和并行重建细分辨率中间集,实现数据驱动的可达集近似,结合Transformer加速提升计算效率。
2026-04-02 cs.SY eess.SY
Interception-Driven Inverse Reachability for Engagement Zone Construction
Air Force Research Laboratory(空军研究实验室)
研究在对抗环境中,自动驾驶车辆应对未知位置追击者的问题。核心方法是基于拦截事件构建框架,通过几何约束推断可行追击者发射区域。主要贡献是生成确定性交战区域及概率扩展模型,还介绍加速定位的信息驱动规划器。
2026-07-07 cs.SY eess.SY
Data-Driven Reachability Analysis Using Matrix Perturbation Theory
Technical University of Munich(慕尼黑工业大学)
本文提出基于矩阵扰动理论的矩阵ゾノトープ扰动框架,通过改进的矩阵ゾノトープ来描述噪声引起的动态变化,并引入系数空间近似方法以提高可达集更新的效率和准确性。
2026-04-15 cs.SY eess.SY
SReachTools Kernel Module: Data-Driven Stochastic Reachability Using Hilbert Space Embeddings of Distributions
我们目前的算法执行数据驱动的随机可达性作为除了SReachTools,一个开源的随机可达性工具箱。我们的方法利用一类被称为分布的内核嵌入的机器学习技术来近似各种随机可达性问题的安全概率。通过将系统状态的概率分布表示为再生核希尔伯特空间中的元素,我们可以通过一个简单的正则化最小二乘问题来学习“最佳拟合“分布,然后将随机可达安全概率计算为简单的线性运算。这种方法允许有限的样本范围,并具有已知的依概率收敛。我们实现这些方法的SReachTools的一部分,并证明他们的使用上的双积分器系统,在一个百万维重复平面四旋翼系统,和一个车杆系统与黑盒神经网络控制器。
2021-03-22 cs.SY eess.SY math.OC
Data-Driven Nonconvex Reachability Analysis using Exact Set Propagation
Technical University of Munich(慕尼黑工业大学);KTH Royal Institute of Technology(皇家理工学院);Eindhoven University of Technology(埃因霍温理工大学)
本文研究了具有未知动态和非凸可达集的动力系统确定性数据驱动可达性分析。通过引入约束多项式矩阵ゾノトープ(CPMZs)表示数据一致模型集,实现了精确的集合传播,避免了保守性,并能表示非凸可达集。
2026-04-03 cs.SY eess.SY
Bridging Data-Driven Reachability Analysis and Statistical Estimation via Constrained Matrix Convex Generators
Technical University of Munich(慕尼黑工业大学);Technical University of Darmstadt(达姆施塔特工业大学)
本文提出基于椭球体的混合范数不确定性集,通过约束凸生成器实现更精确的数据驱动可达性分析,提升安全验证和控制设计的准确性。
2026-04-06 cs.SY eess.SY
Robust Data-EnablEd Predictive Leading Cruise Control via Reachability Analysis
本文提出RDeeP-LCC方法,结合可达性分析与数据驱动预测控制,在噪声和干扰下实现网联自动驾驶车辆的安全最优控制,并通过仿真验证其在抑制交通波方面优于基线方法。
2024-10-02 cs.SY eess.SY
Online Data-Driven Reachability Analysis using Zonotopic Recursive Least Squares
Technical University of Munich(慕尼黑工业大学);German University in Cairo(开罗德国大学)
提出基于 EF ZRLS 的在线数据驱动可达性分析框架,可直接从实时状态测量计算可达集过近似,适用于离散时间 LTV 及非线性 Lipschitz 系统,保守性更低且鲁棒性强,经模拟和实际实验验证有效。
2026-08-12 cs.SY eess.SY
Data-Driven Reachability Analysis with Optimal Input Design
Technical University of Munich(慕尼黑工业大学);Technical University of Darmstadt(达姆施塔特工业大学);University of Trieste(的里雅斯特大学)
本文提出两种策略减少离散时间线性系统在有界过程噪声下的可达集保守性,通过行范数最小化右逆和在线A最优输入设计提高数据信息量和模型集条件,实现更紧的可达集。
2026-04-06 cs.SY eess.SY
Robust Data-Driven Predictive Control of Unknown Nonlinear Systems using Reachability Analysis
针对有界噪声下的未知非线性系统,提出基于数据驱动可达集过近似的鲁棒预测控制方法,可从含噪数据生成安全控制策略,并取得与基于模型方法相当的性能。
2023-07-16 cs.SY eess.SY
Enhancing Data-Driven Reachability Analysis using Temporal Logic Side Information
KTH Royal Institute of Technology(KTH皇家理工学院);Digital Futures(数字未来中心)
本文提出了在时序逻辑辅助信息下进行数据驱动的可达性分析的算法。在某些情况下,由于机器人的历史测量数据中的固有噪声,机器人的数据驱动可达集可能过于保守。在相同的场景中,我们通常有关于机器人预期运动的辅助信息(例如,对机器人在一次步长中可以移动多少的限制),这对于进一步指定可达性分析可能是有用的。在这项工作中,我们表明,如果我们可以使用信号时序逻辑(STL)片段的边信息建模,我们可以约束数据驱动的可达性分析,并安全地限制计算的可达集的保守性。此外,我们提供了正式的保证,即使在将边信息,计算的可达集仍然正确地过度近似机器人的未来状态。最后,我们通过计算两种驾驶场景中的小型车辆自动驾驶(SVEA)硬件平台的受约束的数据驱动可达集,实证验证了过近似的实用性。
2022-03-30 cs.RO cs.SY eess.SY
Data-Driven Approach for Uncertainty Propagation and Reachability Analysis in Dynamical Systems
在本文中,我们提出了一个数据驱动的方法不确定性传播和可达性分析的动力系统。所提出的方法依赖于使用线性Perron-Frobenius(P-F)和Koopman算子的非线性系统的线性提升。不确定性可以用概率密度函数的矩来表征。我们演示了如何使用P-F和Koopman算子来传播矩。时间序列数据用于线性算子的有限维近似,从而使数据驱动的矩传播方法成为可能。仿真结果证明了该方法的有效性。
2020-01-21 cs.SY eess.SY math.CA
Robust Nonlinear Data-Driven Predictive Control for Mixed Vehicle Platoons via Koopman Operator and Reachability Analysis
Tsinghua University(清华大学);University of Michigan(密歇根大学);National University of Singapore(新加坡国立大学)
针对混合车辆队列中非线性动力学与噪声、扰动、攻击等不利因素,提出基于Koopman算子和矩阵zonotope可达集分析的鲁棒非线性数据驱动预测控制框架,并通过滚动时域优化实现安全最优控制,仿真验证其跟踪性能显著优于基线方法。
2025-11-06 cs.SY eess.SY
State-Based Confidence Bounds for Data-Driven Stochastic Reachability Using Hilbert Space Embeddings
在本文中,我们计算有限样本界的随机可达性问题的解决方案的数据驱动的近似。我们的方法使用了一个非参数技术称为核广义函数嵌入,并提供了概率保证随机系统的安全性在一个无模型的方式。通过在再生核希尔伯特空间中隐式嵌入马尔可夫控制过程的随机核,我们可以用简单的矩阵运算和内积来逼近具有任意随机干扰的随机系统的安全概率.我们提出了有限的样本边界的基于点的近似的安全概率,通过建设的概率置信区间是状态和输入相关的。这种方法的一个优点是,边界是响应于非均匀采样的数据,这意味着更严格的边界是可行的,在区域的状态和输入空间与更多的观察。我们数值评估的方法,并证明其有效性的神经网络控制的单摆系统。
2021-12-07 cs.SY eess.SY math.OC
Data-Driven Reachability Analysis of Stochastic Dynamical Systems with Conformal Inference
University of Southern California(南加州大学)
本文针对难以符号化建模的随机动力系统,提出基于数据学习替代模型并结合共形推断量化模型误差的概率可达性分析方法,为学习赋能控制系统提供概率流管保证。
2023-09-17 cs.LG cs.RO cs.SY
Data-Driven Reachability Analysis from Noisy Data
KTH Royal Institute of Technology(KTH皇家理工学院);Constructor University(Constructor大学);University of Stuttgart(斯图加特大学)
我们考虑的问题,直接从噪声数据计算可达集没有给定的系统模型。几种可达性算法,提出了不同类型的系统生成的数据。首先,针对线性系统,提出了一种基于矩阵区域拓扑的过逼近可达集计算算法。约束矩阵zonotopes的引入,以提供较少的保守可达集的成本增加的计算费用,并利用将先验知识的未知系统模型。然后,我们将这种方法推广到多项式系统,并在Lipschitz连续的假设下,推广到非线性系统。这些算法给出了理论保证,因为它们给出了一个包含真可达集的适当的过近似可达集。多个数值算例和实际实验表明了算法的适用性,并对算法进行了比较。
2023-03-12 cs.LG cs.SY eess.SY
Data-Driven Reachability Analysis via Diffusion Models with PAC Guarantees
Technical University of Munich(慕尼黑工业大学);Hainan Bielefeld University of Applied Sciences(海南比勒费尔德应用科学大学)
本文提出一种无需显式模型的数据驱动可达性分析框架,利用扩散模型学习动态系统的时间演化状态分布,通过非一致性分数子level集定义可达集,结合Learn Then Test方法确保PAC保证。
2026-03-31 cs.LG cs.SY eess.SY
Robust Data-Driven Predictive Control using Reachability Analysis
Jacobs University Bremen(不来梅雅各布大学);KTH Royal Institute of Technology(KTH皇家理工学院);University of California, Berkeley(加州大学伯克利分校)
针对具有有界过程和测量噪声的未知线性系统模型,提出了一种鲁棒数据驱动控制方案。提出了一种基于数据驱动可达区域的控制器,而不是传统预测控制中依赖于系统模型的控制器。数据驱动的可达区域是基于矩阵zonotope递归和计算的基础上,只有嘈杂的输入输出数据的轨迹的系统。我们假设测量和过程噪声包含在有界集合中。虽然我们假设这些界限的知识,没有关于噪声的统计特性的知识是假设的。在无噪声的情况下,我们证明了所提出的纯数据驱动的控制方案的结果在一个等效的闭环行为的名义模型预测控制计划。在测量和过程噪声的情况下,我们提出的方案保证了鲁棒的约束满足,这在安全关键应用中是必不可少的。数值实验表明,所提出的数据驱动控制器的有效性相比,基于模型的控制方案。
2022-07-13 cs.LG cs.SY eess.SY
Controller-Agnostic Runtime Safety Certificates for Tool-Using AI Agents via Data-Driven Robust Reachability
Rochester Institute of Technology(罗切斯特理工学院);George Washington University(乔治华盛顿大学)
该研究针对使用工具的AI智能体,提出一种与控制器无关的运行时安全证书,通过数据驱动的鲁棒可达性方法,在多类控制器和数据集上实现了零不安全结果,且对未充分覆盖的危险仍保持正确性。
2026-10-26 cs.SY eess.SY
Pedestrian Motion Prediction Using Transformer-based Behavior Clustering and Data-Driven Reachability Analysis
KTH Royal Institute of Technology(KTH皇家理工学院);Integrated Transport Research Lab(综合交通研究实验室);Digital Futures(数字未来机构)
提出基于Transformer的框架,结合分层密度聚类自动识别行人行为模式,并利用数据驱动可达性分析端到端预测行人未来运动,有效减少人工标签依赖与偏见。
2024-08-09 cs.CV cs.RO cs.SY
Reachability-Preserving Bellman Operator for the Discounted Reach-Cost Value Function: Uniting Hamilton-Jacobi Reachability and Reinforcement Learning
Delft University of Technology(代尔夫特理工大学)
本文针对哈密顿 - 雅可比可达性数值解的维度诅咒问题,基于保持语义的折扣可达值函数,推导非加法贝尔曼算子,建立其与HJ表征的等价性,使强化学习可解释为近似方案,为高维系统可达集和安全证书计算提供新方法。
2026-07-10 cs.SY eess.SY
Symplectic Inductive Bias for Data-Driven Target Reachability in Hamiltonian Systems
College of Engineering, Peking University(北京大学工学院);Department of Electrical and Computer Engineering, Johns Hopkins University(约翰霍普金斯大学电气与计算机工程系)
本文提出利用哈密顿系统固有的辛几何结构和能量水平集的内在递归性,结合链策略,实现高效的目标可达性,减少数据需求。
2026-11-06 cs.SY eess.SY math.OC
Scalable Reachability Analysis of Linear Continuous Systems with Property-Driven Time-Step Adaptation
Aalborg University(奥尔堡大学)
提出一种基于安全属性自适应调整时间步长的可达性算法,通过优化矩阵指数计算和误差平衡实现大时间步长下的低误差,显著减少步骤数,在SLICOT基准测试中优于现有方法。
2026-08-13 cs.SY eess.SY math.DS
Online Data-Driven Safety Certification for Systems Subject to Unknown Disturbances
本文提出一种在线数据驱动的安全性验证策略,通过滚动时域估计器在线表征未知干扰并结合计算图分析工具进行可达性计算,以实时验证自主系统避开危险区域,理论证明与无人水面艇硬件实验均验证了其有效性。
2023-10-30 cs.SY eess.SY
SOCKS: A Stochastic Optimal Control and Reachability Toolbox Using Kernel Methods
University of New Mexico(新墨西哥大学)
我们提出了SOCKS,一个基于核方法的数据驱动的随机最优控制工具箱。SOCKS是一组数据驱动算法,用于计算具有任意成本和约束函数(包括随机可达性)的随机最优控制问题的近似解,该算法旨在确定系统在遵守一组预定义安全约束的同时达到期望目标集的可能性。我们的方法依赖于一类基于核方法的机器学习算法,核方法是一种非参数技术,可用于表示被称为再生核希尔伯特空间的高维函数空间中的概率分布。作为一种非参数技术,核方法本质上是数据驱动的,这意味着它们不会对系统动态或不确定性结构进行预先假设。这使得工具箱适用于各种各样的系统,包括那些具有非线性动力学,黑箱元素和特征不佳的随机干扰。我们介绍了SOCKS的主要功能,并在几个基准测试中展示了它的功能。
2022-03-12 cs.LG cs.SY eess.SY
Hamilton-Jacobi Reachability for Hybrid Systems: Unified Goal-Driven Control with Safety Guarantees
Universidad de Santiago de Chile(智利圣地亚哥大学);University of Southern California(南加州大学);Stanford University(斯坦福大学)
本文扩展Hamilton-Jacobi可达性分析至混合系统,提出安全集刻画、最小限制安全滤波器及混合后向可达-避碰管,实现安全与目标驱动控制,并经四足机器人仿真与实验验证。
2026-09-16 cs.RO cs.SY eess.SY
DRYVR:Data-driven verification and compositional reasoning for automotive systems
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
DRYVR框架通过结合黑盒模拟器和白盒转换图,实现对混合控制系统在长切换序列下的验证,利用敏感性学习和可达性分析技术验证汽车系统复杂功能。
2017-02-22 cs.SY eess.SY
Scalable Data-Driven Reachability Analysis and Control via Koopman Operators with Conformal Coverage Guarantees
Georgia Institute of Technology(佐治亚理工学院);School of ECE(电子工程学院);Schools of Cybersecurity & Privacy & Aerospace Eng(网络安全与隐私及航空航天工程学院)
本文提出基于Koopman算子的可扩展数据驱动可达性分析与控制方法,通过符合预测保证系统覆盖,提升高维任务的可达集覆盖率和计算效率。
2026-01-03 cs.AI cs.LG cs.RO
Towards Data-Driven Synthesis of Autonomous Vehicle Safety Concepts
NVIDIA(英伟达);University of California, Berkeley(加州大学伯克利分校)
随着安全关键型自动驾驶汽车(AV)很快将在我们的社会中普及,最近在整个行业和学术界提出了许多用于可信AV部署的安全概念。然而,就适当的安全概念达成共识仍然是一项难以实现的任务。在本文中,我们主张使用汉密尔顿-雅可比(HJ)的可达性作为一个统一的数学框架,比较现有的安全概念,并通过这个框架的元素,提出了方法来定制安全概念(从而扩大其适用性)的情况下,在数据驱动的方式对代理行为的隐式期望。具体来说,我们表明,(一)现有的主要安全概念可以嵌入在HJ可达性框架,从而使一个共同的语言比较和对比建模假设,和(ii)HJ可达性可以作为一个归纳的偏见,有效地推理,在学习的背景下,两个关键的,但往往被忽视的安全方面:责任和上下文依赖。
2022-06-20 cs.LG cs.RO cs.SY
Mixed Platoon Control under Noise and Attacks: Robust Data-Driven Predictive Control and Human-in-the-Loop Validation
School of Vehicle and Mobility, Tsinghua University(清华大学车辆与运载学院)
针对含CAVs和HDVs的混合车队因人工驾驶不确定性及噪声、攻击导致的控制挑战,提出RDeeP-LCC框架,基于数据驱动可达性分析过近似系统动力学,通过解耦系统和管控制提升鲁棒性与多方面性能,并经人机闭环验证。
2025-11-13 cs.SY eess.SY
Data-driven and Model-based Verification: a Bayesian Identification Approach
Eindhoven University of Technology(埃因霍温理工大学);University of Oxford(牛津大学)
本文提出一种结合可达性分析和贝叶斯推断的数据驱动与模型驱动形式验证方法,用于部分未知动态系统。通过案例研究探讨了部分未知线性时不变系统的有界和无界时间安全性。
2015-09-10 cs.SY eess.SY
Tube-Based Zonotopic Data-Driven Predictive Control
针对受有界附加扰动影响的线性系统,提出了一种基于管的数据驱动预测控制方法。我们的方法利用最近的结果在未知的线性系统的可达性分析,制定和解决一个强大的基于管的预测控制问题。更确切地说,我们的方法包括从收集的数据中导出一个包括真实状态误差集的zonotope。我们展示了如何保证所产生的错误zonotope,这可以被利用来增加现有zonotopic数据驱动的MPC配方的计算效率的稳定性。双积分器的强对抗性噪声的影响下的结果表明,所提出的控制方法的有效性。
2022-11-24 cs.SY eess.SY
DRIP: Domain Refinement Iteration with Polytopes for Backward Reachability Analysis of Neural Feedback Loops
Google Research(谷歌研究院);Northeastern University(东北大学);DeepMind(深度思维)
数据驱动控制技术的安全认证仍然是一个主要的开放问题。这项工作研究向后可达性作为一个框架,为神经网络(NN)政策控制的系统提供避免碰撞的保证。因为NN通常是不可逆的,所以现有方法保守地假设在其上放松NN的域,这导致可能导致系统进入障碍的状态集合的松散过度近似(即,反向投影(BP)集)。为了解决这个问题,我们引入了DRIP,一种在松弛域上具有细化循环的算法,该算法大大收紧了BP集的界限。此外,我们引入了一个公式,使直接获得封闭形式的表示多面体绑定的BP集比以前的工作,这需要解决线性规划和使用超矩形更紧密。此外,这项工作扩展了神经网络松弛算法来处理多面体域,这进一步收紧了BP集的界限。DRIP在控制系统上的数值实验中得到了证明,包括由学习的NN避障策略控制的地面机器人。
2023-03-17 cs.LG cs.SY eess.SY
Reachability Analysis With Probabilistic Zonotopes: Learning Realized Disturbances and Refining Aleatory Uncertainty
University of Cyprus(塞浦路斯大学);Aalto University(阿尔托大学);Technical University of Munich(慕尼黑工业大学);Michigan State University(密歇根州立大学)
提出一种数据驱动线性系统可达性框架,利用概率区域多面体建模扰动,通过轨迹数据精化保守先验,分离已实现扰动与偶然不确定性,并开发约束概率区域多面体演算以降低保守性。
2026-07-03 cs.SY eess.SY
Automated Reachability Analysis of Neural Network-Controlled Systems via Adaptive Polytopes
Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出了一种利用自适应模板多面体过近似神经网络动态系统可达集的新方法,通过线性层奇异值分解和激活函数形状调整多面体几何形状,并采用分支定界方法计算精确过近似,提升了可达性分析的准确性。
2023-05-15 cs.LG cs.SY eess.SY
Structural Adaptivity of Directed Networks
网络结构对网络系统的功能和性能起着至关重要的作用。本文研究了扩散耦合,定向多智能体网络的扩散性能的结构自适应性。针对网络中链路冗余会降低网络扩散性能的问题,提出了一种分布式数据驱动的邻居选择框架,自适应地调整网络结构,以提高网络中外部影响的扩散性能.具体来说,每个代理被允许只与邻居的特定子集进行交互,同时保持从外部影响到网络的所有代理的全局可达性。连续时间和离散时间的有向网络进行检查。对于这两种情况下,我们首先检查的可达性编码的特征向量的扰动变量的图拉普拉斯或SIA矩阵与有向网络,分别。然后,提出了一种基于特征向量的邻居选择规则,以获得一个减少的网络,其上的扩散性能增强。最后,基于邻居选择规则分布式和数据驱动实现的必要性,分别建立了扰动图Laplacian和SIA矩阵的特征向量与Agent状态相对变化率之间的定量关系.这些连接立即启用数据驱动的推理减少邻居集的每个代理只使用本地可访问的数据。作为一个直接的扩展,我们进一步讨论了分布式数据驱动的有向网络的有向生成树使用建议的邻居选择框架的建设。数值模拟证明了理论结果。
2022-08-28 cs.SY eess.SY
Data-Driven Reachable Set Computation using Adaptive Gaussian Process Classification and Monte Carlo Methods
我们提出了两个数据驱动的方法估计可达集的概率保证。这两种方法都利用了一个概率公式,允许一个正式的定义,数据驱动的可达集近似,这是正确的概率意义上。第一种方法将可达性问题转化为二元分类问题,使用高斯过程分类器来表示可达集。高斯过程模型的量化不确定性允许选择新的样本点的自适应方法。第二种方法使用蒙特卡罗抽样方法来计算可达集的基于区间的近似。该方法具有概率正确性的保证,以及实现所需精度和置信度所需的样本点数量的明确界限。每种方法都用一个数值例子说明。
2019-10-06 cs.SY eess.SY
Reachability Analysis of ARMAX Models
Technical University of Munich(慕尼黑工业大学)
针对ARMAX输入输出模型,本文提出三种可达集计算方法并分析复杂度,证明初始状态未知时其可达集比等价状态空间模型更紧,可降低验证保守性。
2023-09-28 cs.RO cs.SY eess.SY
Reachability for Low-Thrust Trajectories via Maximum Initial Mass
European Space Agency, European Space Research and Technology Centre (ESTEC)(欧洲空间局欧洲空间研究与技术中心);Politecnico di Milano(米兰理工大学)
提出一种对偶可达性公式,通过最大化初始质量(或太阳帆强度)将可达性评估转化为标量优化问题,并利用残差网络构建高效代理模型。
2026-06-11 astro-ph.EP cs.SY eess.SY
On-The-Fly Control of Unknown Systems: From Side Information to Performance Guarantees through Reachability
我们开发数据驱动的算法,可达性分析和控制系统的先验未知的非线性动力学。所得到的算法不仅适用于具有实时要求的设置,而且还提供可证明的性能保证。为此,他们合并噪声数据,只有一个有限的地平线轨迹,如果可用的话,各种形式的边信息。这样的辅助信息可以包括动态的规律性、对状态的代数约束、单调性或状态之间的动态解耦的知识。具体来说,我们开发了两个算法,$\texttt{DaTaReach}$和$\texttt{DaTaControl}$,过近似的可达集和设计控制信号的系统上飞。$\texttt{DaTaReach}$构造了一个包含未知动力学的微分包含。然后,在一个离散时间设置,它过近似的可达集通过区间泰勒为基础的方法应用于系统的动态微分包含。我们提供了一个边界上的时间步长,以确保正确性和终止的$\texttt{DaTaReach}$。$\texttt{DaTaControl}$使用计算的过近似和滚动时域控制框架实现基于凸优化的控制。此外,$\texttt{DaTaControl}$实现了近最优控制,适合于此类系统的实时控制。我们建立了一个界限,它的次优性和原始操作的数量,它需要计算控制值。然后,我们从理论上表明,$\texttt{DaTaControl}$实现更严格的次优性边界的数据量和丰富的边信息的增加。最后,在单旋翼、四旋翼和飞机系统上的实验证明了这两种算法在现有方法上的有效性。
2021-12-16 cs.SY eess.SY math.OC
Data-Driven Input-Output Control Barrier Functions
针对离散时间LTI系统,本文提出仅利用输入-输出数据计算最大控制不变集并系统化构建CBF的方法,进而设计具有自适应衰减率和递推可行性的最小侵入式安全滤波器。
2025-05-13 cs.SY eess.SY
Provably Correct Training of Neural Network Controllers Using Reachability Analysis
University of California, Irvine(加州大学欧文分校)
在本文中,我们考虑了非线性动力系统的神经网络(NN)控制器的训练问题,这些控制器保证满足安全性和活性(例如,到达-避免)属性。我们的方法是结合基于模型的动力系统的设计方法与数据驱动的方法来实现这一目标。我们将注意力限制在具有整流器线性单元(ReLU)非线性的NN上,这些NN已知代表连续分段仿射(CPWA)函数。给定一个动力系统的数学模型,我们计算一个有限状态的抽象模型,捕捉所有可能的CPWA控制器下的闭环行为。使用这个有限状态的抽象模型,我们的框架确定了一个家庭的CPWA功能保证满足安全要求。我们在训练过程中使用NN权重投影算子来增强学习算法,从而强制产生的NN表示来自可证明安全的CPWA函数家族的CPWA函数。此外,该框架使用有限状态抽象模型来识别可能满足活性属性的候选CPWA函数。使用这样的候选CPWA函数,所提出的框架偏置NN训练以实现活性规范。我们在模拟和实际的机器人车辆上显示了所提出的框架的有效性。
2021-09-05 cs.LG cs.RO cs.SY
Data-driven Interval MDP for Robust Control Synthesis
本研究提出一种基于区间MDP的数据驱动离散时间随机过程抽象方案,结合样本数据与后向可达性计算构建非确定性概率转移模型,通过场景方法建立与底层动力学的关联,在时序属性满足度上优于现有方法,并通过实验验证了其优势与局限。
2024-04-12 cs.SY eess.SY
Recurrent Control Barrier Functions: A Path Towards Nonparametric Safety Verification
针对传统HJ可达性分析和CBFs安全验证计算负担大的问题,提出循环控制屏障函数RCBF,利用轨迹循环特性验证安全,将函数设计转为集合识别,还提出可并行的数据驱动非参数安全集计算方法,平衡保守性与计算成本。
2025-10-02 cs.SY eess.SY
Robust Direct Data-Driven Hamiltonian for Safe Set Computation under Measurement Noise and Disturbances
University of British Columbia(不列颠哥伦比亚大学);University of California, Berkeley(加州大学伯克利分校);University of California, Los Angeles(加州大学洛杉矶分校)
针对测量噪声和扰动,提出鲁棒数据驱动哈密顿量(R-DDH),从噪声数据中推导安全集的内近似,并证明其收敛性。
2026-06-17 cs.SY eess.SY
Data-based control of Logical Networks
Dipartimento di Ingegneria dell’Informazione Università di Padova(帕多瓦大学信息工程系)
本文提出了一种基于有限数据的布尔控制网络控制方法,用于评估网络的基本特性并解决安全控制和输出调节问题。
2026-02-12 cs.SY eess.SY
Road to safe autonomy with data and formal reasoning
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文介绍基于数据驱动的安全分析工具,结合模型基于混合系统可达性分析与未知组件敏感性分析,验证紧急制动系统的安全性和事故严重性,为自动驾驶系统设计提供安全保障。
2017-04-21 cs.SY eess.SY