Uncertainty-Aware Safe Control for Autonomous Mobile Systems: Integrating Model-Based Control with Learning-Based Uncertainty Models

Abstract

Autonoma mobila system (AMS), såsom automatiserade fordon och mobila robotar, förändrar industrier och transporter genom att stödja funktioner relaterade till säkerhet, hållbarhet och energieffektivitet. Tillförlitlighet, som ett icke förhandlingsbart systemkrav, kräver säker och effektiv drift för att säkerställa användarnas förtroende och samhällets acceptans. I grunden är systemautonomi beroende av ett flertal sensorer som fungerar som AMS ögon och tillhandahåller kritiska signaler till perceptions- och beslutsfunktioner. Under verkliga operationella förhållanden kan sensorprestanda dock försämras på grund av inneboende begränsningar såsom oväntat brus, okontrollerade fysiska skador eller åldringsprocesser, samt på grund av externa operationella faktorer såsom oförutsedda väderförhållanden. Perceptionsfunktioner, vilka tar emot sådana sensorsignaler, kan generera icke-optimala utdata, inte enbart som en följd av felaktiga indata utan ¨aven till följd av den probabilistiska karaktären hos algoritmer som används för perceptionsrelaterade uppgifter, exempelvis lokalisering. Som en konsekvens introducerar sådana sårbarheter icke-determinism i ett AMS-kontrollsystem. Denna avhandling fokuserar på utvecklingen av en osäkerhetsmedveten och säker kontrollstrategi för säkerhetskritiska AMS, där osäkerheter från sensor- och perceptionskomponenter explicit beaktas. Avhandlingen strävar efter att utnyttja maskininlärning, dynamisk optimering och reglerteknik för att underlätta säker drift av AMS. Det föreslagna ramverket bygger på: (1) Model Predictive Control (MPC) för design av styrenheter; (2) Control Barrier Functions (CBF) för design av säkerhetsfilter; och (3) en osäkerhetsmodell för att hantera situationsvariationer i designen av säkerhetsrestriktioner. Bidragen i denna avhandling omfattar: (1) utvecklingen av ett simuleringsplattform för felinjektion för att generera data under olika driftsförhållanden, vilket fungerar som kärnsteg för efterföljande utveckling; (2) integreringen av multi funktionsreglering baserad på säkra driftsmått; (3) utformningen av dynamiska säkerhetsrestriktioner med hjälp av CBF enligt säkra driftskrav; (4) utvecklingen av en tillståndsövervakningstjänst för beräkningen av hälso- och riskindex och för modelleringen av perceptionsosäkerheter; och (5) integreringen av säker hetsrestriktioner som ges av osäkerhets modellerna och indexen. Detta bidrar till en vidareutveckling av säkerhetskritisk reglerdesign genom att integrera MPC CBF-metoder med inlärda osäkerhetsmodeller. För modellering av perceptionsosäkerhet under varierande operationella förhållanden används metoder baserade på Support Vector Regression och Long Short-Term Memory, vilka även möjliggör prediktion av osäkerheter över tid. För att integrera osäkerhetsprognosmodellen i optimeringsproblemet används metoden Learning Parametrized Convex Function för att konstruera en konvex osäkerhetsmodell. Statistiska algoritmer används för att fånga upp osäkerheter som påverkas av komponenternas åldrande och försämring. De föreslagna metoderna valideras genom simuleringsstudier.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-376610