新框架为神经机器人学实现可微分可达性

研究人员开发了一个新的可并行化、可微分的可达性框架，专为连续时间和离散时间系统设计。该框架集成了泰勒模型流管体（flowpipe）构建和线性边界传播，支持 GPU 批量计算和自动微分。该系统支持基于分析和神经网络的动力学及控制器，为机器人学中闭环神经系统在不确定性下的形式化保证提供了途径。 AI

影响 为基于神经网络的机器人系统提供了形式化保证，有望提高复杂任务中的安全性和可靠性。

排序理由 该集群包含一篇详细介绍机器人学研究新技术框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• neural network
• CROWN-style linear bound propagation
• JAX
• robotics
• Taylor-model flowpipe construction

• 论文
• 安全
• 产品

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →