【标题】Safe Reinforcement Learning Using Black-Box Reachability Analysis

【作者团队】Mahmoud Selim, Amr Alanwar, Shreyas Kousik, Grace Gao

【发表日期】2022.4.15

【论文链接】https://arxiv.org/pdf/2204.07417.pdf

【推荐理由】强化学习（RL）能够在不确定环境中对机器人进行复杂的运动规划和控制。然而，最先进的深度RL方法通常缺乏安全保证，尤其是在机器人和环境模型未知的情况下。为了证明广泛部署的合理性，机器人必须在不牺牲性能的情况下遵守安全约束。因此，本文提出了一种基于黑箱可达性的安全层（BRSL），它由三个主要部分组成：（1）黑箱机器人模型的数据驱动可达性分析，（2）使用在线训练的神经网络集合预测未来动作和观察的轨迹规划器，（3）可达集和障碍物之间的可微多面体碰撞检查，可以纠正不安全行为。在模拟中，BRSL在Turtlebot 3、四旋翼和轨迹跟踪点质量上优于其他最先进的安全RL方法，其中不安全集与最高奖励区域相邻。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除