CN110879530A - 用于对动态模型进行安全的训练的方法 - Google Patents

用于对动态模型进行安全的训练的方法 Download PDF

Info

Publication number
CN110879530A
CN110879530A CN201910830877.6A CN201910830877A CN110879530A CN 110879530 A CN110879530 A CN 110879530A CN 201910830877 A CN201910830877 A CN 201910830877A CN 110879530 A CN110879530 A CN 110879530A
Authority
CN
China
Prior art keywords
model
safety
values
curve segment
computer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910830877.6A
Other languages
English (en)
Inventor
C.齐默
M.迈斯特
T.D.阮-蔣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN110879530A publication Critical patent/CN110879530A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)

Abstract

本发明涉及一种用计算机实现的方法，所述方法用于安全地、主动地训练用于用高斯过程对物理系统的时间序列进行建模的计算机辅助模型，所述方法具有以下步骤：规定安全阈值α；通过在所述系统上执行作为输入值的安全的初始曲线来初始化；创建初始的回归模型和初始的安全模型；重复地实施更新所述回归模型、更新所述安全模型、确定新的曲线区段、在所述物理系统上执行确定的新曲线区段并且测量输出值、将新的输出值列入到所述回归模型和安全模型中这些步骤；直到实施了N次循环；并且输出所述回归模型和安全模型。

Description

用于对动态模型进行安全的训练的方法
技术领域
本发明涉及一种利用安全条件用于为了借助于时间序列在高斯过程的基础上对动态系统进行建模的主动的学习的方法；一种用这种方法来训练的系统；一种包括指令的计算机程序，所述指令被设立用于在计算机上执行所述计算机程序时执行所述方法；一种机器可读的存储介质，在其上面保存了所述计算机程序；以及一种计算机，该计算机被设立用于执行所述方法。
背景技术
从J. Schreiter、D. Nguyen-Tuong、M. Eberts、B. Bischoff、H. Markert和M.Toussaint的“Safe Exploration for Active Learning with Gaussian Processes”（ECML/PKDD，卷9286，2015年）中已知在主动的学习中进行安全的探索。具体来讲，在静止状态中检测逐点的数据。
主动学习致力于顺序的数据标识，以用于学习未知函数。在此，顺序地选择数据点以进行标识，从而使为了接近于未知函数所需要的信息的可用性最大化。普遍目标是创建精确的模型，而没有提供超出必要程度的信息。由此，所述模型更加有效，因为能够避免可能昂贵的测量。
为了对数据进行分类、例如为了对图像进行标识，主动学习得到广泛使用。对于代表着物理系统的时间序列模型中的主动学习来说，必须如此产生数据，从而能够检测相关的动态过程。
这意味着，必须通过输入区域内的动态运动通过输入曲线来如此激励物理系统，使得所收集的数据、也就是输入和输出曲线包含尽可能多的关于动态的信息。用于能够使用的输入曲线的实例尤其是正弦、斜坡和阶梯函数（Treppenfunktionen）以及白噪声。但是，在激励物理系统时，也必须额外地重视安全要求。在动态地探索输入区域时，所述激励不得损坏物理系统。
因此，重要的是，识别以下区域，在所述区域内能够安全地执行动态的激励。
发明内容
相对于现有技术，具有独立权利要求1的特征的方法拥有以下优点，即：其将动态的探索、主动的探索和安全的探索组合起来。
在此，“动态的探索”是指在有待测量的系统的变化的条件下检测信息。主动的探索的目的是尽可能快地检测信息，其中尽可能按顺序地如此检测信息，从而能够在短时间内检测大量信息。换句话说，使单个的测量的信息收益最大化。最后，安全的探索确保尽可能不损坏有待测量的系统。
用按本发明的方法，能够将这三种类型的探索组合起来。
通过在从属权利要求中所列举的措施，能够实现在独立权利要求中所说明的方法的有利的拓展方案和改进方案。
本发明公开了一种主动学习环境，其具有基于高斯过程的、用于时间序列模型的动态的探索（主动学习），所述动态的探索考虑到安全的观点，方法是：推导出合适的用于对输入区域进行动态的探索的标准。
主动学习在许多应用中、像比如在模拟和预测计算中很有用。学习方法的目标通常是创建一描述现实的模型。为此，在检测关于所述目标的信息的意义上，测量真实的过程、真实的系统或真实的对象，这在下文中也被称为目标。然后，能够在模拟或预测计算中使用所创建的现实模型来取代所述目标。这种处理方式的优点在于节省、也就是不必重复所述过程，因为在此通常要消耗资源，或者所述对象或系统没有经受有待模拟的过程并且在此可能被消耗、损坏或改变。
有利的是，所述模型尽可能准确地描述现实。在本发明中，尤其有利的是，能够在考虑到安全条件的情况下使用主动的学习。这些安全条件应该保证，有待检测的目标尽可能少地负面地/严重地、比如在对象或系统遭到损坏的意义上受到影响。
在本发明中，使用具有时间序列结构、例如具有非线性的外生结构或非线性的自回归的外生结构的高斯过程。通过对于输入区域的动态的探索来产生对时间序列模型来说适当的输入及输出曲线或输出测量。输出测量、也就是说数据标识用作用于时间序列模型的信息。在此，输入曲线被参数化为彼此先后相随的曲线区域、例如斜坡函数或阶梯函数的彼此先后相随的区段，其以给定的安全要求和先前的观察逐步地通过探索性方案来确定。
在考虑到以前的观察的情况下如此确定相应接下来的区段，使得在关于模型的标准方面的信息收益最大化。
在此，将具有合适的探索标准的、拥有非线性的外生结构的高斯过程用作时间序列模型。同时使用另一个高斯过程模型，以用于关于给定的安全要求来预测安全的输入区域。通过用具有用于对安全预测加以考虑的附加条件来解决优化问题来确定输入曲线的区段。
本发明的示范性的应用比如是内燃机的试验台，在所述试验台中应该能够模拟机器中的流程。在此，有待检测（erfassende）的参数比如是压力值、废气量、消耗值、功率值等。另一种应用比如是学习机器人控制机构的动态模型，其中要学习一种动态模型，所述动态模型将关节位置映射到机器人的关节力矩上，所述关节力矩能够用于控制机器人。能够主动地通过对于关节区域的探索来学习这种模型，但是这应该以安全的方式来实施，以便不超过关节的运动限制，否则由此可能会损坏机器人。另一种应用比如是学习一种取代物理传感器的动态模型。能够主动地通过探索在物理系统上产生并且测量用于学习这种模型的数据。在此，安全的探索是必要的，因为在不安全的区域进行测量可能会损坏物理系统。另一种应用比如是学习化学反应的性质，其中安全要求可能涉及诸如温度、压力、酸度等参数。
附图说明
本发明的实施例在附图中示出并且在下面的说明书中进行详细解释。其中：
图1示出了用于对计算机辅助的模型进行安全的训练的方法的流程100；
图2示出了用于对计算机辅助的模型进行安全的训练的方法的流程200。
具体实施方式
应该实现与未知函数
Figure 676898DEST_PATH_IMAGE001
的接近。就时间序列模型、像比如众所周知的非线性的外生（exogenen）（NX）模型的情况而言，输入区域包括离散的数值、所谓的调节量。
用xk对时刻k来说适用：
Figure 380543DEST_PATH_IMAGE002
，其中，
Figure 505494DEST_PATH_IMAGE003
代表着离散的调节曲线。在此
Figure 190028DEST_PATH_IMAGE004
是系统的输入区域
Figure 832362DEST_PATH_IMAGE005
的维数，
Figure 905360DEST_PATH_IMAGE006
是NX结构的维数并且
Figure 607737DEST_PATH_IMAGE007
是X的维数（Dimension）。
元素uk由物理系统来测量并且不必是等距的。出于更简单的记数法（Notation）的原因，示范性地以等距为出发点。通常，控制曲线是连续的信号并且能够明确地受到控制。
在模型的学习环境（Lernumgebung）中，对以n个彼此先后相随的曲线区段
Figure 48077DEST_PATH_IMAGE008
的形式构成的数据进行观察，其中输入曲线
Figure 228523DEST_PATH_IMAGE009
是矩阵并且由维数d的m个输入点所构成，也就是说
Figure 952765DEST_PATH_IMAGE010
。输出曲线
Figure 560464DEST_PATH_IMAGE011
包含m个相应的输出测量，也就是说：
Figure 488100DEST_PATH_IMAGE012
。
现在应该如此确定下一个有待作为激励输入到物理系统中的曲线区段
Figure 472236DEST_PATH_IMAGE013
，从而不过在考虑到安全条件的情况下提高在f的建模方面的信息收益（Informationsgewinn）
Figure 926351DEST_PATH_IMAGE014
。
为了接近于函数f，而使用高斯过程（下文缩写为GP），所述高斯过程通过其平均值函数μ（x）及其协方差函数
Figure 829585DEST_PATH_IMAGE015
、也就是来规定
Figure 713359DEST_PATH_IMAGE016
。
在假设对输入和输出曲线进行带有噪声的观察的情况下，按照高斯过程的共同分布被给出为
Figure 563503DEST_PATH_IMAGE017
，其中
Figure 478982DEST_PATH_IMAGE018
是将输出曲线连接起来的矢量并且
Figure 428483DEST_PATH_IMAGE019
是包含输入曲线的矩阵。协方差矩阵通过
Figure 314400DEST_PATH_IMAGE020
来表示。为了进行说明，作为协方差函数而使用高斯核，也就是说
Figure 640339DEST_PATH_IMAGE021
，其通过
Figure 678833DEST_PATH_IMAGE022
来进行参数化。此外，将零矢量
Figure 799236DEST_PATH_IMAGE023
假设为平均值，将nm维的单位矩阵（Identitätsmatrix）I和
Figure 438028DEST_PATH_IMAGE024
假设为输出噪声方差。
在给定的共同分布的情况下，能够将所预测的用于新的曲线区段
Figure 302078DEST_PATH_IMAGE025
的分布
Figure 195079DEST_PATH_IMAGE026
表述为
[方程A：]
Figure 751963DEST_PATH_IMAGE027
其中，
[方程B：]
Figure 612471DEST_PATH_IMAGE028
[方程C：]
Figure 545792DEST_PATH_IMAGE029
，
其中，
Figure 293299DEST_PATH_IMAGE030
是矩阵，其中
Figure 21084DEST_PATH_IMAGE031
。此外，矩阵
Figure 509834DEST_PATH_IMAGE032
包含关于以前n条输入曲线的
Figure 840321DEST_PATH_IMAGE033
的核心测评。由于协方差矩阵被完全填充，所以输入点x在利用用于规划下一条曲线的相关性的情况下不仅完全与曲线区段相关联而且超越不同的曲线。由于矩阵
Figure 98127DEST_PATH_IMAGE034
可能具有高维数n·m，所以其反转可能是耗时的，因此能够使用GP-近似技术（GP-Approximationstechniken）。
系统的安全状态通过未知函数g来描述，其中
Figure 892687DEST_PATH_IMAGE035
，所述未知函数为每个输入点x分配安全值z，所述安全值用作安全指示符。数值z在使用来自所述系统的信息的情况下得到确定并且如此设置，从而对于z的所有大于或等于零的数值来说相应的输入点x被认为是安全的。
这样的安全值z取决于相应的系统并且能够如上面所解释的那样体现取决于系统的数值，所述取决于系统的数值用于安全的或不安全的压力值、废气量、消耗值、功率值、关节位置值、运动极限、传感器数值、温度值、酸度值等等。
z的数值通常是连续的并且表明给定的点x与输入区域内的未知的安全极限的间距。因此，用给定的函数g或对其的估计能够求取用于曲线
Figure 603154DEST_PATH_IMAGE036
的安全水平。曲线被分级为是安全的，如果曲线的安全值z大于零的可能性足够大，也就是说：
Figure DEST_PATH_IMAGE037
，其中
Figure 471753DEST_PATH_IMAGE038
代表着
Figure 584066DEST_PATH_IMAGE039
是不安全的阈值。用给定的数据
Figure 653653DEST_PATH_IMAGE040
，其中
Figure 992361DEST_PATH_IMAGE041
，能够使用GP，以用于对函数g进行近似。用于给定的曲线区段
Figure 540017DEST_PATH_IMAGE042
的预测分布
Figure 631470DEST_PATH_IMAGE043
被计算为：
[方程D：]
Figure 871959DEST_PATH_IMAGE044
，
其中
Figure 822597DEST_PATH_IMAGE045
和
Figure 49310DEST_PATH_IMAGE046
是相应的平均值和协方差值。变量
Figure 870636DEST_PATH_IMAGE047
和
Figure 547605DEST_PATH_IMAGE048
如在方程2或3所示出的一样来计算，但是其中
Figure 579015DEST_PATH_IMAGE049
作为将所有
Figure 468473DEST_PATH_IMAGE050
连接起来的目标矢量。通过用于对g进行近似的GP的使用，用于曲线
Figure 550830DEST_PATH_IMAGE051
的安全条件
Figure 133121DEST_PATH_IMAGE052
能够计算如下：
[方程E：]
Figure 527193DEST_PATH_IMAGE053
。
通常，
Figure DEST_PATH_IMAGE055A
的计算难以通过分析方法来求解并且因此能够使用某种近似、像比如蒙特卡罗模拟（Monte-Carlo-Simulation）或期望值传播（英语：“ExpectationPropagation”）。
为了有效地选择最佳的
Figure 155096DEST_PATH_IMAGE056
，必须以合适的方式使曲线参数化。一种可能性是，已经在输入区域内进行参数化。曲线的参数化比如能够作为斜坡或阶梯函数（Stufenfunktionen）来实现。
用按照方程A的预测分布和按照方程E的安全条件来进行曲线参数化，能够通过解决以下具有附加条件的优化问题来获得下一个曲线区段
Figure DEST_PATH_IMAGE058
：
[方程F：]
Figure DEST_PATH_IMAGE060
，
[方程G：]从而
Figure DEST_PATH_IMAGE062
，
其中
Figure 888697DEST_PATH_IMAGE063
表示曲线参数化并且
Figure DEST_PATH_IMAGE065A
表示最佳标准（Optimalitätskriterium）。
根据方程F，来自方程A的预测方差
Figure DEST_PATH_IMAGE067A
用于探索。所述预测方差是协方差矩阵，其通过最佳标准
Figure DEST_PATH_IMAGE065AA
映射到实数，如方程F中所示。对于
Figure DEST_PATH_IMAGE065AAA
来说，能够根据系统使用不同的最佳标准。因此，
Figure DEST_PATH_IMAGE065AAAA
比如能够是：行列式（Determinante），也就是说等效于多重正态分布的预测置信椭圆体的体积的最大化；迹线，也就是等效于平均预测方差的最大化；或者最大的本征值，也就是等效于预测置信椭圆体的最大轴的最大化。但是，同样能够考虑其他最佳标准。
参考图1，在步骤120中通过执行n0条安全的初始曲线来实施初始化。在此也创建回归过程和安全过程、高斯过程。初始曲线处于小的安全区域内，在所述小的安全区域内开始所述探索。这个小的安全区域事先通过关于所述系统的原有知识来选择。初始曲线通过
Figure DEST_PATH_IMAGE069A
来确定，其中n=n0。
随后，在步骤160，根据方程F和G通过对
Figure DEST_PATH_IMAGE071A
进行优化来确定新的曲线区段
Figure DEST_PATH_IMAGE072
。
接着，在步骤170中，将所确定的曲线区段
Figure DEST_PATH_IMAGE074
用作输入，并且在这个区域内在物理系统上测量
Figure DEST_PATH_IMAGE076
和
Figure DEST_PATH_IMAGE078A
。
此后，在步骤150中，更新回归过程和安全过程。按照方程A在使用
Figure DEST_PATH_IMAGE080A
的情况下更新回归模型f，并且按照方程D在使用
Figure DEST_PATH_IMAGE082A
的情况下更新安全模型g。
在此，使步骤150至170循环N次。除了以前规定的循环次数之外，也能够考虑在达到终止条件之后自动地结束。终止条件比如可能基于训练错误（模型预测和系统响应的错误度量）或者基于额外的可能的信息收益（如果最佳标准变得太小）。
紧随此后，在步骤190中输出回归模型和安全模型。
参考图2对所述方法的实现200进行解释。在步骤210中规定安全阈值。在此，为α选择处于0与1之间的数值。随后在步骤220中实施初始化，方法是：执行n0个安全的初始曲线，
Figure DEST_PATH_IMAGE084A
，其中n=n0。在此也创建回归过程和安全过程、高斯过程。初始曲线位于小的安全区域内，在所述小的安全区域内开始所述探索。这个小的安全区域事先通过关于所述系统的原有知识来选择。
接下来，将所述方法的包括步骤240至280的部分执行N次，其中k是运行变量、也就是显示当前的循环。如在图1中一样，除了以前所规定的循环次数之外，也能够考虑在达到终止条件之后自动地结束。所述终止条件比如可能基于训练错误（模型预测和系统响应的错误度量）或者基于额外的可能的信息收益（如果最佳标准变得太小）。
首先，在步骤240中，根据方程A在使用
Figure DEST_PATH_IMAGE086
的情况下更新回归模型f。在步骤250中，根据方程D在使用
Figure DEST_PATH_IMAGE087
的情况下更新安全模型g。在第一次循环（Durchalufen）步骤240到280时，能够省略步骤240和250。
随后，在步骤260中，根据等式F和G，通过对
Figure DEST_PATH_IMAGE089
进行优化来确定新的曲线区段
Figure DEST_PATH_IMAGE091
。
此后，在步骤270中，将所确定的曲线区段
Figure DEST_PATH_IMAGE091A
用作输入，并且在这个区域内在物理系统上测量
Figure DEST_PATH_IMAGE092
和
Figure DEST_PATH_IMAGE094
。
随后，在步骤280中，将在先前的步骤中经过处理的输入和输出曲线添加到
Figure DEST_PATH_IMAGE096
或者
Figure DEST_PATH_IMAGE098
上。
在结束步骤240到280的重复之后，进行步骤290，在该步骤中更新并且输出回归模型和安全模型。
比如通过对于矩阵的排名的更新（秩一更新），能够有效地实施用于新数据的GP模型的递增（inkrementelle）的更新、也就是说步骤150或者240和250。尽管在这里结合用于进行时间序列建模的GP模型说明了NX结构，但是也能够使用一般的非线性的自动回归的外生情况，也就是具有NARX输入结构的GP，其中
Figure DEST_PATH_IMAGE099
。在此，为了为下一个曲线区段进行优化并且进行规划，而比如能够将预测平均值
Figure DEST_PATH_IMAGE101
用作用于yk的代用值。然而，就NARX的情况而言，所述系统的输入激励通过调节量uk来实施。

Claims (10)

1.用计算机实现的方法（200），用于用高斯过程来安全地、主动地训练物理系统的基于时间序列的模型，所述方法具有以下步骤：
规定（210）安全阈值α；
通过在所述系统上执行作为输入值的安全的初始曲线来初始化（220），创建初始的回归模型和初始的安全模型；
重复地实施以下步骤
更新（240）所述回归模型；
更新（250）所述安全模型；
确定（260）新的曲线区段；
在所述物理系统上执行（270）确定的新的曲线区段并且测量输出值；
将新的输出值列入到（280）到所述回归模型和安全模型中；
直到实施了N次循环；并且
更新并且输出（290）所述回归模型和安全模型。
2.根据权利要求1所述的方法，其中如此确定（260）所述新的曲线区段，从而在满足安全模型的安全标准的情况下使信息收益最大化。
3.根据权利要求1和2中任一项所述的方法，其中在使用协方差矩阵的情况下确定（260）所述新的曲线区段。
4.根据权利要求1至3中任一项所述的方法，其中在附加条件下通过优化来确定（260）所述新的曲线区段。
5.根据权利要求1至4中任一项所述的方法，其中所述系统是用于内燃机、机器人控制机构、物理传感器、化学反应等的试验台。
6.根据权利要求1至5中任一项所述的方法，其中所述安全模型包括所述系统的数值并且更确切地说包括压力值、废气量、消耗值、功率值、关节位置值、运动极限、传感器数值、温度值、酸度值等等中的至少一个数值。
7.计算机辅助模型，用根据权利要求1至6中任一项所述的方法对所述计算机辅助模型进行训练。
8.计算机程序，所述计算机程序包括指令，所述指令被设立用于在计算机上执行所述计算机程序时执行根据权利要求1至6中任一项所述的方法。
9.机器可读的存储介质，在其上面保存了根据权利要求8所述的计算机程序。
10.装置，所述装置被设立用于执行根据权利要求1至6中任一项所述的方法。
CN201910830877.6A 2018-09-05 2019-09-04 用于对动态模型进行安全的训练的方法 Pending CN110879530A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018215061.3 2018-09-05
DE102018215061.3A DE102018215061A1 (de) 2018-09-05 2018-09-05 Verfahren zum sicheren Trainieren eines dynamischen Modells

Publications (1)

Publication Number Publication Date
CN110879530A true CN110879530A (zh) 2020-03-13

Family

ID=67658669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910830877.6A Pending CN110879530A (zh) 2018-09-05 2019-09-04 用于对动态模型进行安全的训练的方法

Country Status (4)

Country Link
US (1) US11514268B2 (zh)
EP (1) EP3620998A1 (zh)
CN (1) CN110879530A (zh)
DE (1) DE102018215061A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4328695A1 (de) 2022-08-26 2024-02-28 BSH Hausgeräte GmbH Sicherer autonomer haushaltsroboter

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050049990A1 (en) * 2003-08-29 2005-03-03 Milenova Boriana L. Support vector machines processing system
CN102445902A (zh) * 2010-09-30 2012-05-09 西门子公司 用于机器状况监视的条件多输出回归的系统和方法
CN103778280A (zh) * 2014-01-08 2014-05-07 上海交通大学 具有模型主动更新策略的锂离子电池剩余寿命预测方法
CN105760945A (zh) * 2014-12-19 2016-07-13 国家电网公司 风力发电功率的确定方法及装置
CN106951695A (zh) * 2017-03-09 2017-07-14 杭州安脉盛智能技术有限公司 多工况下的机械设备剩余使用寿命计算方法及系统
CN106971045A (zh) * 2017-04-06 2017-07-21 安徽大学 一种超级电容器动态建模方法
CN107704962A (zh) * 2017-10-11 2018-02-16 大连理工大学 一种基于不完整时间序列数据集的冶金企业蒸汽流量区间预测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8140447B2 (en) * 2008-04-09 2012-03-20 International Business Machines Corporation Method for regression from interval target values by alternating linear gaussian and expectation-maximization
US9928214B2 (en) * 2013-12-04 2018-03-27 International Business Machines Corporation Sketching structured matrices in nonlinear regression problems
US11426255B2 (en) * 2019-02-21 2022-08-30 Theator inc. Complexity analysis and cataloging of surgical footage
US11290494B2 (en) * 2019-05-31 2022-03-29 Varmour Networks, Inc. Reliability prediction for cloud security policies
DE102019208262A1 (de) * 2019-06-06 2020-12-10 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ermittlung von Modellparametern für eine Regelungsstrategie eines technischen Systems mithilfe eines Bayes'schen Optimierungsverfahrens
DE102019208263A1 (de) * 2019-06-06 2020-12-10 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln einer Regelungsstrategie für ein technisches System
US10895854B1 (en) * 2019-07-03 2021-01-19 Mitsubishi Electric Research Laboratories, Inc. System and method for control constrained operation of machine with partially unmodeled dynamics using Lipschitz constant
US11389957B2 (en) * 2019-09-30 2022-07-19 Mitsubishi Electric Research Laboratories, Inc. System and design of derivative-free model learning for robotic systems
US20220179419A1 (en) * 2020-12-04 2022-06-09 Mitsubishi Electric Research Laboratories, Inc. Method and System for Modelling and Control Partially Measurable Systems

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050049990A1 (en) * 2003-08-29 2005-03-03 Milenova Boriana L. Support vector machines processing system
CN102445902A (zh) * 2010-09-30 2012-05-09 西门子公司 用于机器状况监视的条件多输出回归的系统和方法
CN103778280A (zh) * 2014-01-08 2014-05-07 上海交通大学 具有模型主动更新策略的锂离子电池剩余寿命预测方法
CN105760945A (zh) * 2014-12-19 2016-07-13 国家电网公司 风力发电功率的确定方法及装置
CN106951695A (zh) * 2017-03-09 2017-07-14 杭州安脉盛智能技术有限公司 多工况下的机械设备剩余使用寿命计算方法及系统
CN106971045A (zh) * 2017-04-06 2017-07-21 安徽大学 一种超级电容器动态建模方法
CN107704962A (zh) * 2017-10-11 2018-02-16 大连理工大学 一种基于不完整时间序列数据集的冶金企业蒸汽流量区间预测方法

Also Published As

Publication number Publication date
US11514268B2 (en) 2022-11-29
EP3620998A1 (de) 2020-03-11
DE102018215061A1 (de) 2020-03-05
US20200074237A1 (en) 2020-03-05

Similar Documents

Publication Publication Date Title
US8650137B2 (en) Method and apparatus for creating state estimation models in machine condition monitoring
Wu et al. Parametric identification and structure searching for underwater vehicle model using symbolic regression
US9489620B2 (en) Quick analysis of residual stress and distortion in cast aluminum components
JP2005504367A (ja) 監視ニューラルネットワーク学習のための組合せ手法
US8694283B2 (en) System and method for modeling conditional dependence for anomaly detection in machine condition monitoring
CN106971077B (zh) 一种基于时间片段参数辨识的动态仿真模型验证方法
CN106909738B (zh) 一种模型参数辨识方法
CN112001110A (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
Bandara et al. The three-stage artificial neural network method for damage assessment of building structures
CN114118361A (zh) 一种基于深度学习参数锚定的态势评估方法
CN111160667A (zh) 一种提高食品安全预测模型鲁棒性的方法及装置
Zhang et al. Identification of concrete surface damage based on probabilistic deep learning of images
CN110879530A (zh) 用于对动态模型进行安全的训练的方法
CN113537614A (zh) 电网工程造价预测模型的构建方法、系统、设备及介质
US20220171901A1 (en) Method for the automated assessment of a simulation model
EP3913547A1 (en) Modelling input-output relation of computer-controlled entity
Neves et al. Combination and mutation strategies to support test data generation in the context of autonomous vehicles
CN113657604A (zh) 用于运行检查台的设备和方法
EP3789956A1 (en) Method and system for analyzing the mechanical response of microstructures under investigation
US20120246101A1 (en) Model for reconstructing a causation process from time varying data describing an event and for predicting the evolution dynamics of the event
US11720542B2 (en) Method for assessing validation points for a simulation model
Napolitano et al. Unsupervised data-driven methods for damage identification in discontinuous media
KR102283237B1 (ko) 데이터 주도 기계학습 기반 차량 조향 특성 모델 실시간 규명 장치 및 방법
Ataei et al. DADEE: Well-calibrated uncertainty quantification in neural networks for barriers-based robot safety
US20210389502A1 (en) Information processing apparatus, information processing system, information processing method, and non-transitory computer readable medium storing program

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination