Multi-Objective Controller Synthesis with Uncertain Human Preferences
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Virginia(弗吉尼亚大学);University of Birmingham(伯明翰大学)
复杂的现实世界中的应用程序的信息物理系统产生了需要多目标控制器的合成,这涉及到的问题,计算一个最优的控制器受到多个(可能相互冲突)的标准。目标的相对重要性通常由人类决策者指定。然而,在人类偏好中存在固有的不确定性(例如,由于由不同的偏好引出方法产生的伪像)。在本文中,我们形式化的概念不确定的人的喜好,并提出了一种新的方法,占这种不确定性的背景下,多目标控制器合成马尔可夫决策过程(MDP)。我们的方法是基于混合整数线性规划和合成一个最佳的许可多策略,满足不确定的人类偏好的多目标属性。一系列大型案例研究的实验结果表明,所提出的方法是可行的,可扩展性在不同的MDP模型大小和人类偏好的不确定性水平。通过在线用户研究进行的评估也证明了合成控制器的质量和效益。
2022-03-02 cs.AI cs.FL
MULTIGAIN 2.0: MDP controller synthesis for multiple mean-payoff, LTL and steady-state constraints
Technical University of Munich(慕尼黑工业大学);Masaryk University(马萨里克大学)
本文提出 MULTIGAIN 2.0,在 PRISM 上扩展 MULTIGAIN,支持多维长期平均奖励、稳态约束和 LTL 属性的概率系统控制器综合,并通过修改线性规划与可视化 Pareto 曲线改善多目标权衡分析。
2024-05-02 cs.AI cs.LO
Controller Synthesis for Omega-Regular and Steady-State Specifications
Air Force Research Laboratory(空军研究实验室);University of Central Florida(中佛罗里达大学);University of Colorado Boulder(科罗拉多大学博尔德分校)
给定马尔可夫决策过程(MDP)和线性时间($ω$ -正则或LTL)规范,控制器综合问题的目标是计算满足规范的最优策略.最近,已经通过稳态规划的透镜提出了对系统的渐近行为进行推理的问题。这需要找到一个控制策略的MDP,使马尔可夫链引起的解决方案的政策,满足一组给定的约束条件,其稳态分布。本文研究了一类线性时间系统在稳态约束下的控制器综合问题的渐近性态。我们提出了一个算法,以找到一个确定性的政策,满足$ω$ -定期和稳态约束的解决方案作为一个整数线性规划的特征,并通过实验评估我们的方法。
2022-02-07 cs.AI cs.SY eess.SY
Synthesising Robust Controllers for Robot Collectives with Recurrent Tasks: A Case Study
University of Bremen(不来梅大学)
本文针对具有优化目标、循环性和安全性约束的机器人群体,提出将随机双玩家博弈简化为POMDP单玩家博弈进行高层控制器综合,并通过公共建筑清洁案例提供大规模建模与综合指导。
2024-11-21 cs.AI cs.MA cs.RO
Simplicity Lies in the Eye of the Beholder: A Strategic Perspective on Controllers in Reactive Synthesis
F.R.S.-FNRS(比利时科学研究基金会);UMONS – Université de Mons(蒙斯大学)
该特邀论文从博弈论控制器综合背景出发,聚焦多种综合场景下的策略复杂度,讨论内存与随机性相关的最新成果,并探索传统策略复杂度概念之外的内容。
2025-09-04 cs.AI cs.FL cs.LO
Controller Synthesis for Golog Programs over Finite Domains with Metric Temporal Constraints
RWTH Aachen University(亚琛工业大学)
在实际机器人上执行Golog程序通常需要额外的步骤来考虑机器人平台的硬件或软件细节,这些细节可以被公式化为对程序的约束。这些约束通常是时间性的,指的是度量时间,并且需要对抽象Golog程序进行修改。我们描述了如何制定这样的约束的基础上的模态变量的情况演算。这些约束连接抽象程序与平台模型,我们使用时间自动机描述。我们表明,在有限域和完全已知的初始状态的程序,合成的控制器,满足约束,同时保持原程序的效果的问题可以减少到MTL合成。我们这样做是通过构建一个时间自动机的抽象程序和合成MTL控制器从这个自动机,平台模型和约束。我们证明,合成的控制器的执行轨迹是相同的原始程序,可能交错与平台相关的行动,他们满足所有的约束条件,并且它们具有相同的效果作为原始程序的痕迹。通过这样做,我们得到一个可判定的过程来合成一个控制器,满足规格,同时保留原始程序。
2021-02-19 cs.AI cs.LO
Technical Report: Directed Controller Synthesis of Discrete Event Systems
Universidad de Buenos Aires(布宜诺斯艾利斯大学);Imperial College(帝国理工学院);CONICET(阿根廷国家科学与技术研究理事会)
本文提出一种基于领域无关启发式的定向控制器综合方法,通过高效抽象环境并动态构建组件,实现对安全性和共安全性目标的离散事件系统控制。
2016-05-31 cs.AI cs.SE cs.SY
Provably Correct Controller Synthesis of Switched Stochastic Systems with Metric Temporal Logic Specifications: A Case Study on Power Systems
School for Engineering of Matter, Transport, and Energy, Arizona State University(亚利桑那州立大学物质、运输与能源工程学院);Argonne National Laboratory(阿贡国家实验室)
针对具有度量时序逻辑(MTL)规范的切换随机控制系统,提出了一种可证明正确的控制器综合方法。首先给出了切换随机控制系统的随机控制互模拟函数,该函数以概率的方式限制了切换随机控制系统与其标称确定性控制系统之间的轨迹发散.然后,我们开发了一种方法来计算最优控制输入的确定性控制系统的标称轨迹与初始状态变化和随机不确定性的鲁棒性解决一个优化问题。我们实现了我们的鲁棒随机控制器的综合方法上的四总线电力系统和九总线电力系统下的发电损耗干扰,MTL规格表示的要求,电网频偏,风力涡轮发电机转子速度的变化和功率流的限制,在不同的电力线。
2021-03-26 cs.AI cs.SY eess.SY
Deductive Controller Synthesis for Probabilistic Hyperproperties
Brno University of Technology(布尔诺理工大学);TU Wien(维也纳工业大学)
本文提出一种基于抽象精化与演绎剪枝的控制器综合方法,用于求解MDP上的概率超性质,并首次支持控制器内及控制器间结构约束,实验表明其性能显著优于现有SMT工具HyperProb。
2023-07-10 cs.AI cs.LO cs.RO
Predictable and Performant Reactive Synthesis Modulo Theories via Functional Synthesis
IMDEA Software Institute(IMDEA软件研究所);Universidad Politécnica de Madrid(马德里理工大学);CIFASIS
该研究提出首个针对LTLt的完整静态反应式综合方法,结合布尔抽象与函数综合生成确定性控制器,兼具可预测性、高效性及输出优化能力。
2024-07-12 cs.AI cs.LO cs.SE
Synthesis of Stabilizing Recurrent Equilibrium Network Controllers
University of California, Berkeley(加州大学伯克利分校);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
该研究提出基于递归平衡网络的非线性动态控制器参数化方法,推导保证部分观测扇区有界非线性系统指数稳定的参数约束,采用含凸优化投影的策略梯度综合控制器,经非线性对象仿真验证有效。
2022-09-13 cs.AI cs.RO cs.SY
Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty
Radboud University(拉德堡德大学);University of Oxford(牛津大学)
捕捉复杂动力系统模型中的不确定性对于设计安全控制器至关重要。随机噪声导致任意的不确定性,而模型参数的不精确知识导致认知的不确定性。有几种方法使用正式的抽象来合成满足与安全性和可达性相关的时间规范的策略。然而,基本模型只捕捉任意的,但不是认识的不确定性,因此需要模型参数是精确已知的。我们的贡献,克服这个限制是一种新的抽象为基础的控制器综合方法的连续状态模型的随机噪声和不确定参数。通过抽样技术和鲁棒性分析,我们捕获任意和认知的不确定性,与用户指定的置信水平,在转移概率区间的所谓的区间马尔可夫决策过程(iMDP)。我们合成一个最佳的政策,这iMDP,翻译(与指定的置信水平)的连续模型具有相同的性能保证的反馈控制器。我们的实验基准证实,占认知的不确定性导致控制器,更强大的参数值的变化。
2022-12-07 cs.AI cs.RO cs.SY
Recurrent Neural Network Controllers Synthesis with Stability Guarantees for Partially Observed Systems
University of California, Berkeley(加州大学伯克利分校);University of Michigan(密歇根大学);Virginia Tech(弗吉尼亚理工大学)
神经网络控制器由于其灵活性和表现力而在控制任务中变得流行。稳定性是安全关键动力系统的一个重要特性,而部分观测系统的稳定性,在许多情况下,需要控制器保持和处理过去的长期记忆。将一类重要的递归神经网络(RNN)作为非线性不确定部分可观测系统的动态控制器,基于积分二次约束、S引理和序列凸化方法,推导出凸稳定性条件.为了确保在学习和控制过程中的稳定性,我们提出了一个投影的政策梯度方法,迭代地执行的稳定性条件,在重新参数化的空间,利用温和的额外信息系统动态。数值实验表明,我们的方法学习稳定控制器,而使用更少的样本,并取得更高的最终性能相比,政策梯度。
2021-12-07 cs.AI cs.RO cs.SY