学习和优化关键安全控制在未知和不确定环境中

安全始终是主要要求自治系统操作在未知或不确定的环境中,例如,自主寻找危险来源与避障和空中操作场景。由大量数据的爆炸,学习和文中针对控制方法吸引了大量的研究关注在过去的几十年中,由于其突出的性能在处理复杂的任务在不确定的或未知的环境。基于强化学习控制和模型预测控制两个最著名的代表,将控制和学习/优化集成到相同的框架。然而,引入学习和优化往往导致的损失担保安全与稳定。利用增强的能力从学习和优化工具,同时保持控制系统的安全需求仍然是一个开放的研究问题。

作为我们的目标建立一个通用框架,用于自治系统可能过于雄心勃勃,可能会失去优势解决具体问题。因此,任何面向问题的自治系统的或特定于任务的解决方案在未知或不确定的环境中更期望在这个研究课题,运用先进的学习或优化方法。工程解决方案与热点问题是非常受欢迎的。作为我们的目标,社区自治系统将受到各种有效的和引人注目的解决方案在这个研究课题。

这个研究课题要求的贡献为自治系统应对开放的挑战。这个话题欢迎手稿从技术解决方案在特定自治情况调查和教程。可能的主题包括,但不限于:
——高安全性的控制设计时的考虑人际互动与合作
——基于数据驱动和学习控制方法
——在自治系统模型预测控制
——机器人路径规划与开发或探索的环境信息
——最优鲁棒控制与不确定性和干扰抑制
——强化学习和深度学习辅助控制方法
——多智能体系统的分布式学习和优化网络连接
——基于应用程序的学习或优化控制机器人,汽车,交通系统,制造业、电力系统、社会科学等。

关键字:上优于控制,安全、模型预测控制、最优控制、自治系统

重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。