研究论文
可达性更新 · 随模型改善重新计算安全集合
研究结合系统分解、热启动与自适应网格，降低不确定性变化时更新 Hamilton–Jacobi 安全集合的计算成本。评估采用有风条件下的二维和十维近悬停四旋翼仿真。
核查日期 2026-11-05 · 已核查来源与书目信息
书目信息与编辑概述已对照原始来源核查。访问条件与版本见来源说明。
- 原文标题
- Scalable Learning of Safety Guarantees for Autonomous Systems using Hamilton-Jacobi Reachability
- 发布机构
- IEEE
- 作者
- Sylvia Herbert, Jason J. Choi, Suvansh Sanjeev, Marsalis Gibson, Koushil Sreenath, Claire J. Tomlin
- DOI
- 10.1109/icra48506.2021.9561561
- 发布日期
- 2021-05-30
- 原文语言
- en
- 版本
- 2021 IEEE International Conference on Robotics and Automation (ICRA); 2021; DOI 10.1109/icra48506.2021.9561561
- 访问条件
- 发布方信息与开放作者稿
- 出版状态
- 已发布
相关资料与工程解读
资料概述
研究结合系统分解、热启动与自适应网格，降低不确定性变化时更新 Hamilton–Jacobi 安全集合的计算成本。评估采用有风条件下的二维和十维近悬停四旋翼仿真。
使用与审查
已核查存档摘要与出版书目信息。计算速度及安全集合依赖分解和扰动假设，仿真结果不能直接代表实机表现或任意高维系统的可扩展性。
来源与版本
Scalable Learning of Safety Guarantees for Autonomous Systems using Hamilton-Jacobi Reachability ↗
IEEE · 2021 IEEE International Conference on Robotics and Automation (ICRA); 2021; DOI 10.1109/icra48506.2021.9561561
ICRA 2021 bibliography; author archive abstract https://arxiv.org/abs/2101.05916v2. Registered proceedings date retained.