科学家设计出具有学习灵活性的安全控制器 可用于未知环境的系统

盖世小汽车即日 据外媒报道，为了确保各种确保安全关键系统对可以确保安全接入，并根据无需工作，密歇根加利福尼亚大学（Michigan State University）的研究课题部门开发出一种分析方法，可为在未知状况中但会接入的系统对内部设计具学习战斗能力的确保安全驱动器。

图片来源：IEEE/CAA Journal of Automatica Sinica

此项研究课题由密歇根加利福尼亚大学的Bahare Kiumarsi和Zahra Marvi建立联系展开，重点重视自动驾驶者小汽车在市区的确保安全操作。

随着间隔时间的发展，地质学家们早就成功内部设计出基于高度集中隔断功用（CBF）的确保安全高度集中分析方法，可以在很多应用广泛应用，包括自适应巡航高度集中、机器人确保安全高度集中和无碰撞多智能体系统对。这些分析方法通常可结合CBF和Lyapunov函数来证明驱动器的可靠性和准确度。而密歇根加利福尼亚大学的研究课题部门提出新奇的支持学习的归零高度集中隔断功用（ZCBF），都能在学习的同时确保安全操作，即使状况中但会存在未知的动态。

随着越来越多的确保安全关键系统对部署在现实世界中但会，地质学家们不必都能确保这些系统对时刻保证确保安全。状况中但会的不明确因素但会冲击系统对的确保安全接入。当在城市状况中但会研究课题自动驾驶者小汽车时，研究课题部门不必考虑这些不明确因素。例如，自动驾驶者小汽车、半自动驾驶者小汽车、有机体驾驶者小汽车和人行道但会注意到在同一市区内。

因此，地质学家们不必内部设计一种驱动器，以确保系统对确保安全接入，尽管在同一空间中但会通讯系统的其他驾驶者和有机体的犯罪行为模式存在不明确性。地质学家们无需都能依靠系统对的可靠性，同时还要让系统对尽可能地接入。密歇根加利福尼亚大学研究课题部门的分析方法克服了如何为不必在不明确状况中但会接入的系统对内部设计具学习战斗能力的确保安全驱动器的问题。 其新奇的学习分析方法都能保证自动驾驶者小汽车的确保安全，即使在与沿路上其他驾驶者的不明确犯罪行为一同接入时也是如此。

现有的确保安全高度集中分析方法敦促地质学家对确保安全集有完整的了解。在状况存在不明确性的情况下，为系统对内部设计确保安全高度集中愈发更具挑战性。这些确保安全关键系统对不必都能快速了解不明确性，同时实现最大的可靠稳定性。缓慢的数学模型学习分析方法可以包括所需的确保安全功用，但无法降至预想的稳定性。基于最小化建模误差的简单数学模型学习分析方法也无法降至所需的确保安全敦促，即使预想的估计误差但会随着间隔时间的推移而减缓。助手候选人Zahra Marvi透露：“无需最初学习算法来尽可能避免对确保安全集的疑为。”研究课题部门开发的分析方法都能快速了解状况中但会的不明确性并迅速实现可靠稳定性。

副总监客座教授Bahare Kiumarsi透露：“依赖于确保安全约束至关重要，在高度集中内部原设计就无需考虑到，否则但会引发严重后果。通过使用密歇根加利福尼亚大学研究课题部门内部设计的这种分析方法，系统对中但会的驱动器可以采取多得多的自由派肢体，从而获得好处的稳定性，进而减低系统对的可靠性和稳定性。