ARRTOC: Adversarially Robust Real-Time Optimization and Control
本文提出ARRTOC算法,将对抗鲁棒优化与控制器设计集成到RTO层,以生成可实现且抗实施误差的最优设定点,并通过三类过程案例验证其利润等目标最高提升50%。
2024-03-05 cs.SY eess.SY
On the Limits of Robust Control Under Adversarial Disturbances
本文探讨受约束线性系统在有界扰动下鲁棒控制策略不存在的条件,推导闭式代数表达式关联扰动集大小与系统及约束几何特性,补充现有优化方法,为控制可行性分析提供理论依据。
2025-07-04 cs.SY eess.SY
Reinforcement learning-based optimised control for tracking of nonlinear systems with adversarial attacks
针对一类非线性系统,提出了一种基于强化学习的神经网络跟踪控制方法。在这种方法中,在执行器和输出上都考虑了对抗性攻击。这种方法结合了同步跟踪和优化过程。为了获得最优控制输入,必须能够求解Hamilton-Jacobi-Bellman方程(HJB),但由于方程中的强非线性项,这是困难的。为了找到HJB方程的解,我们使用了强化学习方法。在这种在线自适应学习方法中,三个神经网络同时适应:批评者神经网络,演员神经网络和对手神经网络。最后,仿真结果证明了所介绍的方法对机械手的有效性。
2022-09-18 cs.SY eess.SY
Performance-Robustness Tradeoffs in Adversarially Robust Linear-Quadratic Control
虽然$\mathcal{H}_\infty$方法可以引入对最坏情况扰动的鲁棒性,但它们在常规随机扰动下的标称性能通常会大幅降低。虽然已知存在标称性能和鲁棒性之间的这种基本权衡,但它在定量方面没有得到很好的表征。为了解决这个问题,我们借用机器学习中日益普遍的对抗训练概念来构建一类控制器,这些控制器针对由混合随机和最坏情况分量组成的干扰进行了优化。我们发现,这个问题承认一个平稳的最优控制器,有一个简单的分析形式密切相关的次优$\mathcal{H}_\infty$解决方案。然后,我们提供了一个定量的性能鲁棒性权衡分析,其中系统的理论属性,如可控性和稳定性明确体现在一个可解释的方式。这为从业者提供了基于先验系统知识来确定结合多少鲁棒性的一般指导。我们经验验证我们的结果,我们的控制器的性能与标准基线进行比较,并绘制权衡曲线。
2022-03-21 cs.SY eess.SY
Adversarial Attacks to Direct Data-driven Control for Destabilization
这项研究调查了直接数据驱动控制对对抗性攻击的脆弱性,这种攻击的形式是在原始数据中添加一个小而复杂的扰动。有向梯度符号法(DGSM)是在快速梯度符号法(FGSM)的基础上发展起来的一种特殊的攻击方法。DGSM使用所得闭环系统的特征值的梯度,并在系统变得不太稳定的方向上制造扰动。它表明,系统可以不稳定的攻击,即使原来的闭环系统与干净的数据有很大的稳定裕度。为了增加对攻击的鲁棒性,正则化方法,已开发处理随机干扰被认为是。数值实验使用倒立摆模型的有效性进行了评估。
2023-03-13 cs.SY eess.SY
Adversarial Tracking Control via Strongly Adaptive Online Learning with Memory
Boston University(波士顿大学)
我们考虑的问题,跟踪一个敌对状态序列的线性动力系统的敌对干扰和损失函数,推广早期的设置在文献中。为此,我们开发了三种技术,每一个独立的利益。首先,我们提出了一个比较器自适应算法的移动成本的在线线性优化。如果不进行调整,事后看来,它几乎与最佳调整的梯度下降的性能相匹配。接下来,考虑到一个相关的问题,称为在线学习与记忆,我们构建了一个新的强自适应算法,使用我们的第一个贡献作为积木。最后,我们提出了第一个减少从对抗跟踪控制强自适应在线学习与记忆。总结这些单独的技术,我们得到了一个对抗跟踪控制器具有很强的性能保证,即使参考轨迹有很大的运动范围。
2022-02-22 cs.LG cs.SY eess.SY
Adversarially Robust Multitask Adaptive Control
本文研究多系统在对抗破坏下的协同LQR控制问题,提出聚类多任务弹性聚合方法,并证明遗憾随簇内诚实系统数量反比下降且对有界对抗比例保持鲁棒。
2025-11-07 cs.LG cs.SY eess.SY
Distributed Nonlinear Control of Networked Two-Wheeled Robots under Adversarial Interactions
Institut Teknologi Sepuluh Nopember (ITS)(十月中旬理工学院);Universitas Gadjah Mada (UGM)(加查马达大学);Institut Teknologi Bandung (ITB)(万隆理工学院);University of Groningen(格罗宁根大学)
本文研究了在对抗性信息交换下网络非完整移动机器人的分布式轨迹跟踪,提出了一种精确的全局输入-输出反馈线性化方案,通过平面位置输出调节,实现线性误差动态,无需规定内部状态轨迹。
2026-05-10 cs.SY eess.SY
Measuring LTI System Resilience against Adversarial Disturbances based on Efficient Generalized Eigenvalue Computations
弹性系统能够快速轻松地从可能由危险事件或恶意攻击导致的系统状态中恢复。本文提出了一种新的线性时不变系统的弹性度量:扰动系统所需的最小控制能量与恢复系统所需的最小控制能量之间的关系。该定义扩展了考虑随机效应的已知扰动抑制度量,以考虑对抗性扰动。最坏情况下的干扰和相关的弹性指数可以有效地计算通过解决广义特征值问题,取决于控制和干扰输入的可控性Gramian。新的度量允许通过优化恢复性控制结构或通过针对特定攻击选项强化系统来提高系统弹性。新的方法被证明是一个耦合的机械系统。
2021-08-12 cs.SY eess.SY
Fast and Optimal Adaptive Tracking Control: A Novel Meta-Reinforcement Learning via Conditional Generative Adversarial Net
具有未知动态的非线性系统的控制一直是一个重要的研究领域。本文提出了一种新的数据驱动的最优自适应控制结构,与标准的自适应控制相比,具有更少的控制工作量和更快的适应速度。所提出的控制结构利用系统的记录数据,以提高适应速度和性能显着。在这项研究中,我们采用了一个条件生成对抗网络(CGAN)作为一种新的中央模式发生器,以再现稳态谐波模式的控制信号匹配系统的不确定性在很大范围内。我们还可以使用CGAN架构作为故障检测器。CGAN提供了一个低维的不确定性潜在空间。当存在许多参数不确定性时,特别是对于大规模系统,它可以快速方便地自适应。然后,我们引入了一种新的元强化学习框架,使CGAN的潜在空间适应系统的不确定性,作为一个最优的直接自适应控制器,而无需任何系统标识符。控制结构的另一部分是一个调节器,实现半全局渐近跟踪使用的李雅普诺夫稳定性分析。最后,通过一些模拟,我们评估了两个动力系统,机器人机械手和大型肌肉骨骼结构,在干扰和扰动的存在下,所提出的设计的能力。
2022-06-24 cs.SY eess.SY
Adversarial Observability and Performance Trade-offs in Optimal Control
Oden Institute for Computational Engineering & Sciences, University of Texas at Austin(德克萨斯大学奥斯汀分校奥登计算工程与科学学院)
本文提出了一种在最优控制中最小化对抗传感器可观察性的反馈控制器,通过半正定规划实现性能与可观察性之间的权衡。
2026-11-13 cs.SY eess.SY math.OC
Towards Adversarial Control Loops in Sensor Attacks: A Case Study to Control the Kinematics and Actuation of Embedded Systems
最近的作品调查了通过影响模拟传感器组件的声,光和电磁信号对传感器的攻击。这种攻击可能具有广泛的安全性,可靠性和安全性影响,因为许多类型的目标传感器也广泛用于关键过程控制,机器人,自动化和工业控制系统。虽然现有的工作提高了我们对从数字领域角度隐藏的物理级风险的理解,但在如何引导攻击以实现实时连续过程中的系统级控制方面存在差距。针对基于传感器的控制系统,提出了一种基于对抗控制环的实时攻击方法。我们研究了如何利用从物理域信号中提取的系统反馈来指导攻击。在攻击过程中,基于提取的反馈实时的调整注入信号,以对受注入扰动持续影响并对物理环境施加变化的受害者控制系统施加有针对性的影响。在我们的案例研究中,我们研究了如何在传感器-执行器系统上构建外部对抗控制系统,并演示了使用程序控制过程来操纵受害者系统而不访问其内部状态的攻击。
2022-03-15 cs.CR cs.SY eess.SY
Adversarial Reinforcement Learning for Robust Control of Fixed-Wing Aircraft under Model Uncertainty
提出基于鲁棒对抗强化学习的固定翼sUAS路径跟踪控制器,通过对抗者施加速度率有界气动系数扰动提升鲁棒性,并经六自由度高保真仿真验证。
2025-10-18 cs.SY eess.SY math.OC
Adversarial Model Predictive Control via Second-Order Cone Programming
我们研究的问题设计攻击安全关键系统中的对手寻求最大限度地提高整体系统的成本模型预测控制框架内。虽然在一般情况下,这个问题是NP-难的,我们描述了一个家庭的问题,可以通过一个二阶锥规划松弛在多项式时间内解决。特别是,我们表明,积极的系统属于这个家庭。我们提供的例子展示了对自动驾驶汽车和微电网的最佳攻击的设计。
2019-09-11 cs.SY eess.SY math.OC
ARC: Adversarially Robust Control Policies for Autonomous Vehicles
University of Surrey(萨里大学)
深度神经网络已经证明了它们学习各种任务的控制策略的能力。然而,这些基于神经网络的策略已被证明容易受到敌对代理的利用。因此,需要开发技术来学习对对手鲁棒的控制策略。我们引入了对抗鲁棒控制(ARC),它在相同的损失上训练主角策略和对抗策略端到端。主角的目的是最大限度地提高这一损失,而对手正试图尽量减少it.We演示了建议ARC培训在高速公路驾驶的情况下,主角控制的追随者车辆,而对手控制的领先车辆。通过训练主角对抗一群对手,它学会了一种更强大的控制策略,这种策略可以推广到各种对抗策略。与原始策略相比,该方法可将针对新对手的冲突量减少高达90.25%。此外,通过利用辅助蒸馏损失,我们表明,微调的控制策略在其原始训练分布的性能没有下降。
2021-07-09 cs.AI cs.LG cs.MA
Stability Via Adversarial Training of Neural Network Stochastic Control of Mean-Field Type
NYUAD Research Institute, New York University Abu Dhabi(纽约大学阿布扎比分校NYUAD研究院)
在本文中,我们提出了一种方法,神经网络的平均场型控制和它的随机稳定性分析,通过对抗性输入(又名对抗性攻击)。这是一类数据驱动的平均场型控制,其中变量的分布,如系统状态和控制输入被纳入问题。此外,我们提出了一种方法来验证通过神经网络的解决方案的近似的可行性,并评估其稳定性。此外,我们通过扩大训练集的对抗性输入,以获得一个更强大的神经网络增强稳定性。最后,一个基于线性二次平均场型控制问题(LQ-MTC)的算例来说明我们的方法。
2022-09-27 cs.CR cs.LG cs.SY
Data-Driven Adversarial Online Control for Unknown Linear Systems
Georgia Institute of Technology(佐治亚理工学院)
针对未知线性系统对抗式在线控制问题,提出基于行为系统理论和在线梯度下降的新型数据驱动算法,达到已知最优$\tilde{O}(T^{2/3})$悔界,并扩展至输出反馈场景。
2024-03-09 cs.LG cs.SY eess.SY
Beyond KL-divergence: Risk Aware Control Through Cross Entropy and Adversarial Entropy Regularization
针对鲁棒动态规划处理最坏情况扰动过于保守的问题,本文提出基于交叉熵与对抗熵正则化的风险感知控制框架,并给出 minsoftmax 算法及与 $\mathcal{H}_{\infty}$ 控制的联系。
2025-05-16 cs.SY eess.SY math.OC
Control over adversarial packet-dropping communication networks revisited
School of Engineering and IT, University of NSW at the Australian Defence Force Academy(新南威尔士大学澳大利亚国防军学院工程与信息学院);Department of Aerospace Engineering, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校航空航天工程系)
本文研究对抗性丢包链路中的一步控制问题,提出零和博弈模型,推导非平凡鞍点均衡条件,揭示控制器需应对随机状态空间的非传统响应策略。
2014-03-22 cs.SY eess.SY math.OC
Sensitivity Properties of Intermittent Control
Systems Biology Laboratory, Department of Biomedical Engineering, Melbourne School of Engineering, University of Melbourne(系统生物学实验室,生物医学工程系,墨尔本工程学院,墨尔本大学)
研究间歇控制的灵敏度特性,推导极限环的条件并验证。
2017-05-22 cs.SY eess.SY q-bio.QM
Online Control with Adversarial Disturbances
Google AI Princeton(谷歌AI普林斯顿);Princeton University(普林斯顿大学);University of Washington(华盛顿大学);Allen School of Computer Science and Engineering(阿伦计算机科学与工程学院)
本文研究了在存在对抗性扰动的线性动态系统中的在线控制问题,提出了一种高效的算法,该算法在几乎紧致的 regret 绑定下实现了接近全知扰动的控制效果,同时扩展了先前工作的两个主要方面:允许动态中的对抗性噪声和一般的凸成本。
2019-02-23 cs.LG cs.SY eess.SY
Safety-Critical Online Control with Adversarial Disturbances
University of Washington(华盛顿大学)
本文研究了存在对抗性干扰的安全临界动力系统的控制问题。我们寻求合成状态反馈控制器,以尽量减少由于干扰所产生的成本,同时尊重安全约束。安全约束由H-inf范数的上界给出,而成本被指定为系统的H-2范数的上界。我们考虑一个在线设置,其中每个时间的成本只有在选择控制器之后才能显示。我们提出了一种迭代的方法来合成的控制器,通过求解一个修改的离散时间Riccati方程。该方程的解强制执行安全约束。我们比较了这个控制器的成本与最优控制器时,一个有完整的知识的干扰和成本事后。我们发现,后悔功能,这是定义为这些成本之间的差异,随时间跨度的变化而变化。我们在一个过程控制设置上验证了我们的方法,该过程控制设置受到两种对抗性攻击。
2020-09-20 cs.CR cs.LG cs.SY
Training Adversarial Agents to Exploit Weaknesses in Deep Control Policies
University of Surrey(萨里大学)
深度学习已成为解决各种控制问题的一种越来越常见的技术,例如机械臂操作、机器人导航和自动驾驶汽车。然而,使用深度神经网络学习控制策略的缺点是它们的不透明性和验证其安全性的困难。随着用于获得最先进结果的网络变得越来越深入和复杂,它们所学到的规则以及它们的运作方式变得越来越难以理解。这提出了一个问题,因为在安全关键的应用中,控制策略的安全性必须被确保到高置信水平。在本文中,我们提出了一个基于对抗性强化学习的自动化黑盒测试框架。该技术使用对抗代理,其目标是降低测试中目标模型的性能。我们通过训练对抗性强化学习代理来测试自动驾驶汽车问题的方法,该代理旨在引起深度神经网络驱动的自动驾驶汽车碰撞。两个神经网络训练的自动驾驶进行了比较,并从测试的结果被用来比较其学习的控制策略的鲁棒性。我们表明,拟议的框架是能够找到在这两个控制政策,在在线测试过程中不明显的弱点,因此,表现出显着的优势,手动测试方法。
2020-02-27 cs.LG cs.RO cs.SY
Regret Analysis of Distributed Online Control for LTI Systems with Adversarial Disturbances
Northeastern University(东北大学)
本文针对对抗扰动下动力学已知/未知的LTI系统网络分布式在线控制问题,分别提出分布式扰动反馈控制器和分布式探索后执行方法,推导得到不同场景下的悔度上界。
2023-10-04 cs.LG cs.SY eess.SY
Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training
California Institute of Technology(加州理工学院);CMU(卡内基梅隆大学);LBL(劳伦斯伯克利国家实验室);University of California San Diego(加州大学圣地亚哥分校)
由于可再生能源的大量使用及其固有的不确定性和随机性,当前的电力系统面临着严峻的运行挑战。来自强化学习(RL)的数据驱动决策算法为高效运营清洁能源系统提供了解决方案。虽然RL算法实现了有前途的性能相比,基于模型的控制模型,RL鲁棒性的安全关键的物理系统的研究有限。在这项工作中,我们首先表明,几个竞争获胜,国家的最先进的RL代理提出的电力系统控制容易受到对抗性攻击。具体来说,我们使用对手的马尔可夫决策过程来学习攻击策略,并通过在白盒和黑盒攻击设置下成功地攻击多个获胜代理来证明我们的攻击的效力。然后,我们建议使用对抗性训练来增加RL代理对攻击的鲁棒性,并避免不可行的操作决策。据我们所知,我们的工作是第一个突出网格控制RL算法的脆弱性,并有助于提高其鲁棒性和安全性的有效防御计划。
2021-10-19 cs.AI cs.LG cs.SY
Generating Adversarial Disturbances for Controller Verification
Princeton University(普林斯顿大学);Google AI Princeton(谷歌人工智能普林斯顿分部)
我们考虑的问题,产生最大的对抗性干扰的给定控制器假设只有黑箱访问它。我们提出了一种在线学习方法来解决这个问题,\emph{adaptively}产生干扰的控制器选择的控制输入的基础上。干扰发生器的目标是使\emph{regret}相对于基准干扰生成策略类最小化,即,以最大化由控制器引起的成本,以及与最佳可能干扰发生器\emph{in hindsight}(从基准策略类中选择)相比。在设置的动态是线性的,成本是二次的,我们制定我们的问题作为一个在线的信赖域(OTR)问题的记忆,并提出了一个新的在线学习算法(\emph{MOTR})这个问题。我们证明,这种方法的竞争与最好的干扰发生器在事后(选择从一个丰富的类的基准政策,包括线性动态干扰产生的政策)。我们在两个模拟示例上演示了我们的方法:(i)综合生成的线性系统,以及(ii)在AirSim模拟器中为流行的PX 4控制器生成风扰动。在这些例子中,我们证明了我们的方法优于几个基线方法,包括$H_{\infty}$扰动生成和基于梯度的方法。
2022-01-31 cs.LG cs.SY eess.SY