跳到正文
arXiv · AI· Riccardo Curcio, Hongpeng Cao, Marco Caccamo·· 2026-10-05AI 评分35

基于统计验证的安全鲁棒神经策略学习:面向机器人 Sim-to-Real 部署的方法

Safe and Robust Neural Policy Learning with Statistical Verification for Sim-to-Real Deployment in Robotics

AI 导读

该研究提出一种课程驱动框架,将基于场景的进化策略与统计模型检查闭环结合,用于在仿真中合成安全鲁棒神经控制器,解决现有方法缺乏安全保证或无法迭代优化的问题。在 Cartpole 和 3D Quadrotor 基准测试中,该方法使安全运行区域分别扩展 6.14 倍和 224.04 倍,优于传统控制论及学习基线。物理实验表明,验证区域大小可作为部署前评估策略质量的量化指标。

来源:arXiv · AI · arxiv.org