[논문 리뷰] Learning Hybrid Control Barrier Functions from Data

Lars Lindemann, Haimin Hu외 5명|arXiv (Cornell University)|2020. 01. 01.

Anomaly Detection Techniques and Applications인용 수 3

한 줄 요약

이 논문은 알려진 역학을 가진 하이브리드 시스템에서 안전성을 보장하기 위해 데이터로부터 최적화 기반 프레임워크를 제안한다. 타당성에 필요한 데이터 조건을 규명함으로써, 학습된 제어 법칙이 인증된 안전성을 확보함을 보장하며, 컴passes 가이트 워커 시뮬레이션에서 이를 검증하였다.

ABSTRACT

Motivated by the lack of systematic tools to obtain safe control laws for hybrid systems, we propose an optimization-based framework for learning certifiably safe control laws from data. In particular, we assume a setting in which the system dynamics are known and in which data exhibiting safe system behavior is available. We propose hybrid control barrier functions for hybrid systems as a means to synthesize safe control inputs. Based on this notion, we present an optimization-based framework to learn such hybrid control barrier functions from data. Importantly, we identify sufficient conditions on the data such that feasibility of the optimization problem ensures correctness of the learned hybrid control barrier functions, and hence the safety of the system. We illustrate our findings in two simulations studies, including a compass gait walker.

연구 동기 및 목표

• 하이브리드 시스템에서 안전한 제어 법칙을 유도하기 위한 체계적인 도구의 부족을 해결하기 위해.
• 알려진 시스템 역학과 관측된 안전한 행동을 바탕으로 안전한 제어 입력을 합성하는 데이터 기반 프레임워크를 개발하기 위해.
• 충분한 데이터 조건을 통해 학습된 하이브리드 제어 장벽 함수의 정확성을 보장하기 위해.
• 데이터에서 유도된 제어 법칙에 대해 검증 가능한 안전 보장을 제공하기 위해.

제안 방법

• 이산 및 연속 동역학을 가진 하이브리드 시스템에서 안전성을 보장하기 위해 하이브리드 제어 장벽 함수를 정식화하기 위해.
• 안전한 시스템 행동을 보여주는 데이터로부터 이러한 장벽 함수를 학습하는 최적화 프레임워크를 설계하기 위해.
• 최적화의 타당성이 학습된 장벽 함수의 정확성을 보장하는 데 충분한 데이터 조건을 규명하기 위해.
• 알려진 시스템 역학을 활용하여 학습 과정을 제약하고 안전성 인증을 보장하기 위해.
• 컴пас 가이트 워커를 포함한 하이브리드 시스템 시뮬레이션에 프레임워크를 적용하여 안전 보장을 검증하기 위해.

실험 결과

연구 질문

• RQ1 데이터로부터 하이브리드 제어 장벽 함수를 학습하면서 안전성을 보장할 수 있는 방법은 무엇인가?
• RQ2 학습된 장벽 함수의 정확성을 보장하기 위해 필요한 데이터 조건은 무엇인가?
• RQ3 최적화 기반 프레임워크가 하이브리드 시스템에 대해 인증된 안전한 제어 법칙을 합성할 수 있는가?
• RQ4 제안된 방법은 연속 및 이산 동역학을 모두 가진 시스템에서 안전성을 어떻게 확보하는가?

주요 결과

• 최적화 프레임워크는 타당성 조건이 충족될 경우 시스템의 안전성을 보장하는 데이터로부터 하이브리드 제어 장벽 함수를 학습할 수 있다.
• 최적화 문제의 타당성이 학습된 장벽 함수의 정확성을 보장하는 데 필요한 충분한 데이터 조건이 규명되었다.
• 이 방법은 컴패스 가이트 워커 시뮬레이션에서 안전성을 성공적으로 확보하여 복잡한 하이브리드 시스템에의 적용 가능성을 입증하였다.
• 알려진 역학을 가진 하이브리드 시스템에 대해 데이터 기반 안전 제어 합성의 체계적이고 검증 가능한 접근 방식을 제공한다.