Key points are not available for this paper at this time.
Des contrôleurs conscient de l'incertitude qui garantissent la sécurité sont essentiels pour les applications critiques. Parmi ces contrôleurs, les approches basées sur les Fonctions de Barrière de Contrôle (CBFs) sont populaires car elles sont rapides, tout en étant sûres. Cependant, la plupart de ces travaux dépendent des Processus Gaussiens (GPs) ou du MC-Dropout pour l'apprentissage et l'estimation d'incertitude, et les deux approches ont des inconvénients : les GPs sont des méthodes non paramétriques qui sont lentes, tandis que le MC-Dropout ne capture pas l'incertitude aléatoire. D'un autre côté, les algorithmes d'apprentissage bayésien modernes ont montré leur promesse dans la quantification de l'incertitude. L'application des méthodes d'apprentissage bayésien modernes aux contrôleurs basés sur CBF n'a pas encore été étudiée. Nous visons à combler cette lacune en examinant les algorithmes de quantification d'incertitude et en les évaluant sur des contrôleurs sécurisés basés sur CBF. Nous constatons que les algorithmes basés sur la variance du modèle (par exemple, Deep ensembles, MC-dropout, etc.) et les algorithmes d'estimation directe (tels que DEUP) ont des forces complémentaires. Les algorithmes de la première catégorie ne peuvent estimer l'incertitude qu'avec précision en dehors du domaine, tandis que ceux de la dernière catégorie ne peuvent le faire qu'à l'intérieur du domaine. Nous combinons les deux approches pour obtenir des estimations d'incertitude plus précises tant à l'intérieur qu'à l'extérieur du domaine. Comme mesuré par le taux d'échec d'un robot simulé, cela aboutit à un contrôleur de robot basé sur CBF plus sûr.
Ataei et al. (Sun,) ont étudié cette question.