论文链接
J. F. Groote and K. G. Larsen (Eds.)
目录
introduction
我们介绍了一种自动化的、正式的、基于反例的方法来综合屏障证书(BC),用于连续和混合动力学模型的安全验证。这种方法正在进行中 由归纳框架设计:这是一个学习者之间的顺序循环,一个学习者操作一个神经网络的候选BC和一个好的验证器,它可以证明候选人的有效性或生成反例来进一步指导学习者。我们比较了该方法与最先进的技术,在多项式和非多项式动力学模型: 结果表明,我们可以更快地合成声音bc,特别是在验证引擎上的显著加速(减少三个数量级),同时需要很远的s 学习部分的汇总数据集(最多可减少三个订单)。除了对技术的改进,我们进一步挑战了混合动力学模型和高维模型,并展示了我们的算法和代码的数值鲁棒性。
本文的研究探讨了一般用非线性常微分方程(ODE)建模的动力系统的安全性,并提出了一种自动和形式合成BC的新方法。他的方法利用可满足性模块理论(SMT)和归纳推理(CEGIS,图1,稍后介绍),以保证自动化合成过程的正确性:这就排除了与BC合成相关的算法和数值误差。
Safety Analysis with Barrier Certificates
n维动力模型:X是系统状态空间,X0是初始区域,Xu是不安全区域
李导数:f是向量场
安全的障碍函数:给定n维动力模型,B是可微的。初始区域的bx小于0,不安全区域bx>0,而最后一个条件又保证了bx是递减的,所以从x0出发的所有轨迹,只要满足bx,就一定不会进入非安全区域。
Synthesis of Neural Barrier Certificates via Learning and Verification
Training of the Barrier Neural Network
损失函数: τ \tau τ 表示偏移量,用以增加训练的数值稳定性。
<