【阅读笔记】Automated and Formal Synthesis of Neural Barrier Certificates for Dynamical Models

本文提出了一种自动化的、基于反例的合成神经网络屏障证书(BC)方法,用于连续和混合动力学模型的安全验证。通过归纳框架设计,结合学习和验证,确保BC的正确性。实验表明,该方法在多项式和非多项式模型上比现有技术更快,同时减少学习数据需求。此外,它还展示了对混合动力学模型和高维模型的处理能力,并具有代码库的鲁棒性。
摘要由CSDN通过智能技术生成

论文链接
J. F. Groote and K. G. Larsen (Eds.)

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
在这里插入图片描述

李导数:f是向量场
在这里插入图片描述
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。
在这里插入图片描述

Synthesis of Neural Barrier Certificates via Learning and Verification

CEGIS循环的示意图表示

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。
<

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值