Due to changes in model dynamics or unexpected disturbances, an autonomous robotic system may experience unforeseen challenges during real-world operations which may affect its safety and intended behavior: in particular actuator and system failures and external disturbances are among the most common causes of degraded mode of operation. To deal with this problem, in this work, we present a meta-learning-based approach to improve the trajectory tracking performance of an unmanned aerial vehicle (UAV) under actuator faults and disturbances which have not been previously experienced. Our approach leverages meta-learning to adapt the system's model at runtime to make accurate predictions about the system's future state. A runtime monitoring and validation technique is proposed to decide when the system needs to adapt its model by considering a data pruning procedure for efficient learning. Finally the desired trajectory is adapted based on future predictions by borrowing robust control logic to make the system track the original and desired path without needing to access the system's controller. The proposed framework is applied and validated in both simulations and experiments on a faulty UAV navigation case study demonstrating a drastic increase in tracking performance.


翻译:由于模型动态的变化或意外的扰动,自主机器人系统在实际操作期间可能遇到无法预见的挑战,可能影响其安全和预期行为:特别是动力器和系统故障以及外部扰动是造成运行模式退化的最常见原因之一。为了解决这一问题,我们在这项工作中提出了一个基于元学习的办法,以改进在驱动器故障和扰动之前未曾经历的驱动器下无人驾驶飞行器(UAV)的轨迹跟踪性能。我们的方法利用元学习在运行时调整系统模型,对系统的未来状态作出准确预测。建议采用运行时间监测和验证技术,以决定系统何时需要调整其模型,为此考虑数据调整程序,以便高效学习。最后,根据未来的预测调整了理想的轨迹,通过借用稳健的控制逻辑,使系统跟踪原始和理想的路径而无需访问系统的控制器。拟议框架在对错误的UAV导航案例研究的模拟和实验中应用和验证,显示跟踪性能的急剧提高。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
carla 学习笔记
CreateAMind
9+阅读 · 2018年2月7日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Arxiv
0+阅读 · 2021年6月16日
Autonomous Navigation System for a Delivery Drone
Arxiv
0+阅读 · 2021年6月16日
Arxiv
8+阅读 · 2018年6月19日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
8+阅读 · 2018年1月30日
VIP会员
Top
微信扫码咨询专知VIP会员