展开

关键词

机器人操纵器的安全快速跟踪控制:强大的MPC和神经网络控制

我们提出了一种通过将新颖的鲁棒模型预测控制(MPC)与通过(深度)神经网络(NN)进行函数逼近相结合的方来实现这两个目标。 一种可以解决机器人技术中常见的具有非线性,不确定性和受限动力学的复杂任务的新方。 具体而言,我们利用MPC研究中的最新成果提出了一种新的鲁棒设定值跟踪MPC,该在保证稳定性和约束满足的同时,实现了对动态设定值的可靠和安全跟踪。 所提出的鲁棒MPC方案构成了一种方,该方通过直接基于参考位置和可能的障碍物位置计控制命令来统一经常分离的计划和控制层。 作为额外的贡献,我们还展示了如何通过使用NN控制器逼近MPC定律来大幅减少MPC的计时间。从MPC的脱机样本中对NN进行训练和验证,产生统计保证,并在运行时代替其使用。

66230

当模型预测控制遇见机器学习

常见的监督学习包括回归分析和统计分类。无监督学习:与监督学习相比,训练集没有人为标注的结果。常见的无监督学习有生成对抗网络(GAN)、聚类。 这些做面临几大挑战,一是难以通过物理学方(例如牛顿力学)对越来越复杂的工程系统(例如自动驾驶)进行足够精确的建模,特别是当被控对象的运行环境存在较大不确定性;另一方面,过于复杂的物理模型和非线性优化必然带来过高的计负荷和存储需求 ,导致这种方通常止步于计机仿真和实验室用于学术研究的高性能控制器,难以进一步走向能大规模量产的低成本控制器;此外,传统的MPC控制是不具有进化能力的,其物理模型和控制参数并不会随被控对象和运行环境的变化 在第一页报告里,Bemporad教授认为ML可以在三个方面赋能MPC,分别是:1)利用ML(例如非线性回归)从数据中学习预测模型,以提高预测模型的精度,进而实现更优的控制;2)利用ML(例如强化学习 )从数据中直接学习并生成MPC控制策略,以及MPC控制参数标定;3)利用ML(例如深度神经网络)从数据中学习和重构不可直接测量,而需要估计的MPC控制所需的状态量。

85320
  • 广告
    关闭

    云产品限时秒杀

    云服务器1核2G首年38元,还有多款热门云产品满足您的上云需求

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    异构节点上安全多方计的性能评估(CS CR)

    安全多方计密码(MPC)是一个广泛的密码学概念,可用于保护私隐的计。 使用 MPC,许多参与者可以协同计一个函数,而不需要向其他人透露明文的实际输入或输出。 MPC 的应用范围包括隐私保护投票、术运和大规模数据分析。 从系统的角度来看,mpc 中的每一方都可以在一个计节点上运行。 多方的计节点可以是同构的或异构的; 然而,MPC 协议中的分布式工作负载总是同构的(对称的)。 在这项工作中,我们从系统性能的角度研究了一个具有代表性的 MPC 框架和一组 mpc 应用程序。 给出了一种先进的 MPC协议的详细在线计流程,分析了其在同构和异构计节点上失速时间和性能瓶颈的根本原因。 原文作者:Rujia Wang原文地址:https:arxiv.orgabs2004.10926异构节点上安全多方计的性能评估.pdf

    49120

    第九届BIU密码学冬令营13 Zero-Knowledge from MPC-in-the-Head

    证明的分类succinct:简洁的,主要是指验证过程不涉及大量数据传输以及验证简单;?2. 4.多方计MPC)不需要设置,证明快,后量子安全,所有复杂度是线性的。?3. Zero-Knowledge from MPC 我们以黑盒的方式使用MPC构造ZK协议。? 5.1 High-Level Overview高级方MPC in the head 。将诚实多数MPC转换为ZK,在中进行了优化和实施。通信可以是亚线性的吗?MPC的通信复杂度>电路大小。 The Underlying MPC Protocol实际上,P刚才执行的,是简化版的MPC协议。1.输入共享阶段,分享扩展的证人,服务器视图是一个矩阵列。2.本地计,正确性证明。? 还需要验证多项式z与揭示的列一致,意味着,线性组合需要正确计。以高概率说服V通过验证。即证明P正确创建了这些多项式。在MPC中。

    36530

    深度学习的安全量化训练

    我们利用该设置中常用的量化方实现了安全多方计(MPC)神经网络的训练。据我们所知,我们是第一个提出纯在MPC中训练的MNIST分类器,其准确率低于通过计训练的同样的卷积神经网络的0.2%。 这在我们的MPC实现中花费了3.5小时(不到1小时,99%的准确率)。 Deep Learning 原文内容:We have implemented training of neural networks in secure multiparty computation (MPC To the best of our knowledge, we are the first to present an MNIST classifier purely trained in MPC that This took 3.5 hours in our MPC implementation (under one hour for 99% accuracy).

    7110

    深度学习的安全量化训练

    我们利用该设置中常用的量化方实现了安全多方计(MPC)神经网络的训练。据我们所知,我们是第一个提出纯在MPC中训练的MNIST分类器,其准确率低于通过计训练的同样的卷积神经网络的0.2%。 这在我们的MPC实现中花费了3.5小时(不到1小时,99%的准确率)。 Deep Learning 原文内容:We have implemented training of neural networks in secure multiparty computation (MPC To the best of our knowledge, we are the first to present an MNIST classifier purely trained in MPC that This took 3.5 hours in our MPC implementation (under one hour for 99% accuracy). 深度学习的安全量化训练.pdf

    9020

    智能电网柔性调度优化的神经预测控制(CS)

    模型预测控制(MPC)是一种用数学方来描述网格柔性最优调度问题的方。利用二阶锥规划(SOCP)或内点(IPOPT)等经典优化方,可以在每个优化时间步长内求解时间约束优化问题。 在滚动地平线方案中应用MPC,减少了预测的不确定性对最优计划的影响。尽管MPC对时间受限的电网优化有准确的结果,但对于大型和复杂的电力系统模型而言,它们本身就受到计时间的限制。 利用函数逼近学习最优控制行为,可以在较短的计时间内确定接近最优的控制动作。提出了一种神经预测控制(NPC)方,通过仿真来学习线性和非线性电力系统的最优控制策略。 结果表明,该方能在求解近似最优解的同时,将计时间缩短一个数量级。通过一个基准智能电网对所学习的控制器进行了验证。 When applying MPC in a rolling horizon scheme, the impact of uncertainty in forecasts on the optimal

    10220

    两种预测性强化学习方的实验研究以及与模型预测控制的比较

    强化学习(RL)已经成功地应用于各种模拟和计机游戏。与工业相关的应用,如自主移动机器人的运动控制,虽然对RL来说至今仍有一定的挑战性。 作为比较的基线,使用了模型预测控制(MPC)。 测试了两种RL方:一种是推出式Q-learning,它可以被认为是MPC,终端成本是一个Q函数的近似值;另一种是所谓的叠加式Q-learning,它又像MPC,运行成本被Q函数的近似值所取代。 实验结果表明,两种RL方在累积成本方面都战胜了基线,而叠加变体的表现最好。 两种预测性强化学习方的实验研究以及与模型预测控制的比较.pdf

    11500

    多方安全计MPC到底是个什么鬼?

    MPC技术能够让数据在不泄露的情况下联合多方的数据进行联合计并得到明文计结果,最终实现数据的所有权和数据使用权的分离。今天我们就来介绍一下MPC的出现背景和应用场景。 在过去35年中,MPC和工程设计得到了实质性的改进,并且已经达到性能上不需要考虑协议性能视为使用的主要障碍的程度。 MPC社区采用了事实上的基准,即在两个参与者之间执行AES加密,一个带有加密消息,另一个带有密钥。 AES包含各种术和布尔运符,因此非常适合直接在硬件和MPC中进行计MPC与现实世界以上是几个例子过于简单,现实世界的情况比这更复杂。例如,用于添加的MPC是容易的,因为可以在秘密共享上本地计操作。 好消息是任何函数都可以转换为加和乘的组合,因此基于秘密共享的MPC能够进行任何类型的通用计,就像现代PC一样。另一个例子是主动恶意节点(Actively Malicious)。

    1.6K10

    安全多方计之前世今生

    ,yn=f(y1,y2,…,yn),此时任意一方可以得到对应的结果yi,但无获得其他任何信息。图6和图7分别给出了传统分布式多方参与计模型和MPC下的多方参与计模型。 在MPC模式下,不需要可信第三方收集所有参与节点的原始明文数据,只需要各参与节点之间相互交换数据即可,而且交换的是处理后(如同态加密、秘密共享等处理方)的数据,保证其他参与节点拿到数据后,也无反推原始明文数据 图8 安全多方计技术体系架构 根据支持的计任务MPC可分为专用场景和通用场景两类。4.1通用型MPC通用路线MPC一般由混淆电路(GC)实现,具有完备性,理论上可支持任何计任务。 4.2专用型MPC专用型MPC是指为解决特定问题所构造出的特殊MPC协议,由于是针对性构造并进行优化,专用的效率会比基于混淆电路的通用框架高很多,当前MPC专用包含四则运,比较运,矩阵运, 虽然专用型MPC与通用型MPC相比效率更高,但同样存在一些缺点,如只能支持单一计逻辑,场景无通用;另外专用设计需要领域专家针对特定问题精心设计,设计成本高。

    22110

    论文解读——A Two-Layer Controller for Lateral Path Tracking Control……

    Lateral Path Tracking Control of Autonomous Vehicles》的主要研究思路,是采用经粒子群优化(Particle Swarm Optimization, PSO)优化预测时域和控制时域的线性时变模型预测控制 采用PSO优化LTV-MPC控制器预测时域和控制时域的研究思路较为新颖,该研究思路还可以进一步拓展到优化控制器的权重系数等参数。 论文的第4.2节中给出了PSO优化预测时域和控制时域的步骤和结果,不过没有给出LTV-MPC控制器在选择不同预测时域和控制时域时的性能表现。 总而言之,这篇论文提出了一种较为新颖的研究思路,即采用PSO等对LTV-MPC控制器的参数进行优化,这种研究思路对我们的后续研究存在较大的启发意义。 此外,LTV-MPC控制器本身的性能特性,也值得我们进一步研究讨论。

    18720

    HACCLE:建立安全的多方计的生态系统(CS PL)

    这种密码技术的重要一类称为安全多方计MPC)。为了提供一个使用更高的自动化程度来构建安全的MPC应用程序的生态系统,我们提出了HACCLE(高保证成分密码术:语言和环境)工具链。 HIR的可扩展设计使密码专家可以插入新的原语和协议来实现计。我们已经实现了HACCLE,并将其用于编程有趣的和应用程序(例如,安全拍卖,矩阵向量乘和合并排序)。 我们表明,使用我们的优化策略和启发式方可以提高性能。不同密码协议的实现充当我们工具链的不同后端。HIR的可扩展设计使密码专家可以插入新的原语和协议来实现计。 我们已经实现了HACCLE,并将其用于编程有趣的和应用程序(例如,安全拍卖,矩阵向量乘和合并排序)。我们表明,使用我们的优化策略和启发式方可以提高性能。 HIR的可扩展设计使密码专家可以插入新的原语和协议来实现计。我们已经实现了HACCLE,并将其用于编写有趣的和应用程序(例如,安全拍卖,矩阵向量乘和合并排序)。

    21230

    论文解读——无人驾驶车辆的运动控制发展现状综述

    分类标准是使用的模型的差异,如几何学模型、运动学模型、运动学&动力学模型。 几何学模型对应的包括纯追踪、Stanley,运动学模型对应的包括链式变换、反馈线性化、模型预测控制,运动学&动力学模型对应的包括PID控制(笔者认为PID其实是一种无模型控制方)、 这里挑选笔者较为感兴趣的模型预测控制(Model Predictive Control, MPC)部分(论文的第2.3.4节)进行介绍。 在这部分中,作者主要介绍了Falcone、龚建伟等知名学者的工作,对于最近的基于MPC的工作、不同MPC(如线性模型预测控制和非线性模型预测控制)的特性则没有过多介绍(笔者认为目前有四种常见的MPC路径跟踪控制器设计方 此外作者认为MPC的实时性是当前应用的主要瓶颈(笔者正在着手研究解决这个问题,欢迎同行加入)、传统MPC对系统不确定性的处理能力有限、以及证明模型预测控制渐进稳定性较为困难(这个问题其实主要是直接以运动学

    51110

    研究如何进行随机,大规模,高效地数据运行

    在这种情况下,图形问题的许多自然方都难以克服Θ(logn)MPC圆形复杂性障碍。我们设计了一种PageRank,即使对于有向图也可以打破这个障碍,并且还展示了如何打破这种双边性和扩展测试的障碍。 这样我们就可以使用倍增方提前准备采样行走的延续。我们的方能够在MPC上以Θ(logl)轮生成多个长度为l的随机游走。 随机漫游最重要的应用之一是PageRank计。 我们展示了如何使用我们的方近似PageRank w.h.p.对于无向图上的O(loglogn)轮中的恒定阻尼因子(具有O~(m)总空间),以及有向图上的O~(loglogn)轮(具有O~(m + 在我们的随机游走原语和传统属性测试的基础上,我们还展示了如何近似测试O(loglog(n))MPC轮次中的二分性和扩展。

    18820

    Linux From Scratch(LFS11.0)构建 LFS 系统 - MPC-1.2.1

    MPC 软件包包含一个任意高精度,且舍入正确的复数术库。 安装 MPC解压软件包:cd sourcestar xf mpc-1.2.1.tar.gzcd mpc-1.2.1编译、检查并安装 MPC:time { .configure --prefix=usr 1.2.1 && make && make html && make check && make install && make install-html;}安装完成后清理工作:cd ..rm -rf mpc

    5910

    论文解读——基于轮胎状态刚度预测的极限工况路径跟踪控制研究

    ,这种控制器对于轮胎力的预测将严重偏离实际,从而导致跟踪精确性较差的问题,提出了一种预估侧偏刚度的方,进而提出了改进的LTV-MPC控制器,并通过MATLAB-Carsim进行了联合仿真,证明了改进的 LTV-MPC控制器确实能够提高高速极限工况下车辆路径跟踪的精确性和稳定性。 这篇论文指出的LTV-MPC在预测时域内参数将保持不变的特性,在运动学层面也表现为基于当前误差预测未来误差,这一特性也会降低车辆处理极限工况的能力。 在处理极限工况时存在一些不足,通过预估轮胎侧偏刚度等手段可以在一定程度上解决这个问题,但是当工况更加极限时,这种控制方还是可能力有未逮。 不过随着计机运速度的上升以及非线性模型预测控制实时性方面研究工作的突破,我们也可以尝试采用鲁棒性更强的非线性模型预测控制(Nonlinear Model Predictive Control, NMPC

    16210

    自动驾驶汽车控制模块简介 | 【自动驾驶专题】

    控制器也称为控制。控制器的目的是为车辆生成指令,例如方向盘角度或加速度水平,同时考虑实际约束(道路,风,车轮滑移等),从而产生实际行驶轨迹。 机器人和车辆中存在大量的控制器。 PID控制器是根据偏差估计计值(例如方向盘角度)的。偏差是指计划的行车轨迹与实际的轨迹之间的差异。在PID控制器中有三个元素:P:比例单元—对方向盘应用与误差成比例的校正。 比如,离心力可以使车辆在转弯时离开其轨迹,而运动模型则无表征这个因素。优 化MPC控制器可以解决优化问题。其方是计几个不同的“转角-加速度”参数对,并选择误差最低的一对。 如下:首先,我们通过里程计、位置等参数, 计当前状态。 每种组合都与代价函数相关联,然后选择代价最低的参数对。一旦执行了第一个动作,我们将重新计未来状态并预测新角度。MPC控制器虽然非常强大,但很难实现。但开发这种调节器所花费的时间是值得的。

    54330

    安装GCC-8.3.0及其依赖

    4.1. gmp库 GMP为“GNU MP Bignum Library”的缩写,是一个GNU开源数学运库。 mirrors.tuna.tsinghua.edu.cngnugmp 2) http:mirrors.nju.edu.cngnugmp 3) http:mirrors.ustc.edu.cngnugmp 4.2. mpfr库 mpfr是一个GNU开源大数运库 库 mpc是GNU的开源复杂数字,它依赖gmp和mpfr。 编译安装mpc tar xzf  mpc-1.1.0.tar.gzcd mpc-1.1.0.configure --prefix=usrlocalmpc-1.1.0 --with-gmp=usrlocalgmp usrlocalgmplib:usrlocalmpfrlib:usrlocalmpclib:$LD_LIBRARY_PATH 附2:debug STL 有时需要debug STL中的容器等,正常情况下没跟踪

    4.1K62

    车辆路径跟踪控制方系列:LMPC的前世今生

    判断一种MPC路径跟踪控制方是否实质上是LMPC路径跟踪控制,主要是看控制器的设计过程。一般LMPC路径跟踪控制器的预测模型是经过线性化的模型,未来状态通过当前状态线性迭代预测获得。 文中采用了一种线性化的模型作为预测模型,然后将预测获得的位姿状态转换到当前位置的车身坐标系中,最终通过矩阵运获得最优控制律。 2011年Katriniok等人发表的论文中采用的方是目前应用较为普遍的方。 这本著作中详细介绍了LTV-MPC路径跟踪控制器的设计方,并附有详细的MATLAB程序代码。龚建伟教授的工作显著地推动了国内LMPC路径跟踪控制的发展。 由于LMPC也具备MPC能够显式处理系统约束的优势,而且这种控制方的实时性相当好,所以近年来对LMPC路径跟踪控制感兴趣的研究者和工程师日益增多,相关论文也随之大量增加。

    88230

    ubuntu 11.04安装gcc 4.6.1

    gcc-4.6.1.tar.bz2ftp:ftp.dti.ad.jppublanggccinfrastructure #下载 gmp-4.3.2.tar.bz2 mpfr-2.4.2.tar.bz2 mpc configure --prefix=usrlocalmpfr-2.4.2 --with-gmp=usrlocalgmp-4.3.2$make$sudo make installStep 3: 安装 mpc disable-multilib --enable-languages=c,c++ --with-gmp=usrlocalgmp-4.3.2 --with-mpfr=usrlocalmpfr-2.4.2 --with-mpc linux-gnu.conf添加下面内容 usrlocalgcc-4.6.1lib64 保存后执行,更新共享库$sudo ldconfig---- Previous USING INDUCTION TO DESIGN 使用归纳设计

    24420

    相关产品

    • 云安全隐私计算

      云安全隐私计算

      云安全隐私计算(TCSPC)以联邦学习、MPC(安全多方计算)、TEE(可信执行环境)等隐私数据保护技术为基础的隐私计算平台,TCSPC针对机器学习算法进行订制化的隐私保护改造,保证数据不出本地即可完成联合建模,同时支持安全多方PSI、安全隐私查询统计分析,提供基于硬件的TEE可信计算。通过TCSPC最大化各个合作企业在数据安全的基础上的数据价值,很好地解决了业界数据孤岛的难题。

    相关资讯

    热门标签

    扫码关注云+社区

    领取腾讯云代金券