研究者提出基于可达性分析的机器人实时安全表征学习方法

研究者 Bojan Derajić 提出一种基于哈密顿-雅可比可达性分析的神经隐式安全表征学习方法，通过离线训练神经网络隐式表征可达性解，为未知及动态环境中的机器人优化控制器提供实时安全动力学信息。 该方案仅学习非负动力学修正项以避免近似误差破坏安全性，可分别作为模型预测控制的终端约束以及控制屏障函数的安全滤波器。地面与空中机器人的软硬件实验显示，其避障效果优于几何基准，离线训练结合可并行树搜索可扩展至最多13个状态维度的系统。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。