論文の概要: Learning Environment-Aware Control Barrier Functions for Safe and Feasible Multi-Robot Navigation

• arxiv url: http://arxiv.org/abs/2303.04313v1
• Date: Wed, 8 Mar 2023 01:28:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 15:26:33.230033
• Title: Learning Environment-Aware Control Barrier Functions for Safe and Feasible Multi-Robot Navigation
• Title（参考訳）: 安全なマルチロボットナビゲーションのための環境対応制御バリア関数の学習
• Authors: Zhan Gao and Guang Yang and Amanda Prorok
• Abstract要約: 制御バリア関数(CBF)は、ロボットナビゲーションの安全性を保証するために適用されている。 本稿では,ロボットが環境に対する認識に基づいて,マルチロボットナビゲーションのためのCBFを学習することを目的とする。
• 参考スコア（独自算出の注目度）: 11.731520891178098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Control Barrier Functions (CBFs) have been applied to provide safety guarantees for robot navigation. Traditional approaches consider fixed CBFs during navigation and hand-tune the underlying parameters apriori. Such approaches are inefficient and vulnerable to changes in the environment. The goal of this paper is to learn CBFs for multi-robot navigation based on what robots perceive about their environment. In order to guarantee the feasibility of the navigation task, while ensuring robot safety, we pursue a trade-off between conservativeness and aggressiveness in robot behavior by defining dynamic environment-aware CBF constraints. Since the explicit relationship between CBF constraints and navigation performance is challenging to model, we leverage reinforcement learning to learn time-varying CBFs in a model-free manner. We parameterize the CBF policy with graph neural networks (GNNs), and design GNNs that are translation invariant and permutation equivariant, to synthesize decentralized policies that generalize across environments. The proposed approach maintains safety guarantees (due to the underlying CBFs), while optimizing navigation performance (due to the reward-based learning). We perform simulations that compare the proposed approach with fixed CBFs tuned by exhaustive grid-search. The results show that environment-aware CBFs are capable of adapting to robot movements and obstacle changes, yielding improved navigation performance and robust generalization.
• Abstract（参考訳）: 制御バリア関数(CBF)は、ロボットナビゲーションの安全性を保証するために適用されている。 従来のアプローチでは、ナビゲーション中にCBFを固定し、基本パラメータをハンドチューニングする。 このようなアプローチは非効率であり、環境の変化に弱い。 本研究の目的は,ロボットが環境に対する認識に基づいて,マルチロボットナビゲーションのためのCBFを学習することである。 ロボットの安全性を確保しつつ、ナビゲーションタスクの実現性を保証するため、動的環境に配慮したCBF制約を定義することにより、ロボット行動の保守性と攻撃性のトレードオフを追求する。 CBF制約とナビゲーション性能との明確な関係はモデル化が難しいため,強化学習を活用して,時間変化のあるCBFをモデル無しで学習する。 我々は、グラフニューラルネットワーク(gnns)を用いてcbfポリシーをパラメータ化し、翻訳不変量および置換同変量であるgnnを設計し、環境をまたがる分散ポリシーを合成する。 提案手法は安全保証(CBFによる)を維持しつつ,ナビゲーション性能(報酬に基づく学習による)を最適化する。 提案手法を網羅的グリッドサーチによって調整された固定CBFと比較するシミュレーションを行う。 その結果,環境に配慮したCBFはロボットの動きや障害物の変化に適応し,ナビゲーション性能の向上と堅牢な一般化を実現することができた。

関連論文リスト

• Domain Adaptive Safety Filters via Deep Operator Learning [5.62479170374811]
  本稿では,環境パラメータから対応するCBFへのマッピングを学習する自己教師型深層演算子学習フレームワークを提案する。 動的障害物を含むナビゲーションタスクの数値実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-18T15:10:55Z)
• Reinforcement Learning-based Receding Horizon Control using Adaptive Control Barrier Functions for Safety-Critical Systems [14.166970599802324]
  最適制御法は、安全クリティカルな問題に対する解決策を提供するが、容易に難解になる。 モデル予測制御を利用した強化学習に基づく回帰水平制御手法を提案する。 我々は、コネクテッド・アンド・オートマチック・ビークルにおける自動マージ制御問題に適用し、本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-03-26T02:49:08Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Safe Neural Control for Non-Affine Control Systems with Differentiable Control Barrier Functions [58.19198103790931]
  本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。 制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。 我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
  論文  参考訳（メタデータ） (2023-09-06T05:35:48Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
  BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。 本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
  論文  参考訳（メタデータ） (2021-11-22T15:38:11Z)
• Pointwise Feasibility of Gaussian Process-based Safety-Critical Control under Model Uncertainty [77.18483084440182]
  制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。 本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-13T23:08:49Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。