論文の概要: Neural Configuration-Space Barriers for Manipulation Planning and Control

• arxiv url: http://arxiv.org/abs/2503.04929v1
• Date: Thu, 06 Mar 2025 20:00:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:19:57.660615
• Title: Neural Configuration-Space Barriers for Manipulation Planning and Control
• Title（参考訳）: マニピュレーション計画と制御のためのニューラルな構成空間バリア
• Authors: Kehan Long, Ki Myung Brian Lee, Nikola Raicevic, Niyas Attasseri, Melvin Leok, Nikolay Atanasov,
• Abstract要約: 乱雑な動的環境下での高次元ロボットマニピュレータの計画と制御は、計算効率と堅牢な安全保証の両方を必要とする。 安全制約をCDFバリアとして定式化する動き計画と制御の統一フレームワークを提案する。 CDFバリアは局所的な自由構成空間を近似し、モーションプランニング中の衝突チェック操作の数を著しく削減する。
• 参考スコア（独自算出の注目度）: 14.758869638207251
• License:
• Abstract: Planning and control for high-dimensional robot manipulators in cluttered, dynamic environments require both computational efficiency and robust safety guarantees. Inspired by recent advances in learning configuration-space distance functions (CDFs) as robot body representations, we propose a unified framework for motion planning and control that formulates safety constraints as CDF barriers. A CDF barrier approximates the local free configuration space, substantially reducing the number of collision-checking operations during motion planning. However, learning a CDF barrier with a neural network and relying on online sensor observations introduce uncertainties that must be considered during control synthesis. To address this, we develop a distributionally robust CDF barrier formulation for control that explicitly accounts for modeling errors and sensor noise without assuming a known underlying distribution. Simulations and hardware experiments on a 6-DoF xArm manipulator show that our neural CDF barrier formulation enables efficient planning and robust real-time safe control in cluttered and dynamic environments, relying only on onboard point-cloud observations.
• Abstract（参考訳）: 乱雑な動的環境下での高次元ロボットマニピュレータの計画と制御は、計算効率と堅牢な安全保証の両方を必要とする。 近年,ロボットの身体表現としてのコンフィグレーション空間距離関数(CDF)の学習に着想を得て,安全制約をCDFバリアとして定式化する動き計画と制御のための統一的な枠組みを提案する。 CDFバリアは局所的な自由構成空間を近似し、モーションプランニング中の衝突チェック操作の数を著しく削減する。 しかし、ニューラルネットワークでCDF障壁を学習し、オンラインセンサーの観察に依存すると、制御合成中に考慮すべき不確実性が導入される。 そこで本研究では,既知の分布を仮定することなく,モデル誤差やセンサノイズを明示的に考慮した分散ロバストなCDFバリア定式化法を開発した。 6-DoF xArmマニピュレータのシミュレーションとハードウェア実験により、私たちのニューラルCDFバリアの定式化は、オンボードの点-クラウド観測のみに依存する、散在および動的環境における効率的な計画と堅牢なリアルタイム安全な制御を可能にすることを示した。

関連論文リスト

• Diffusion Predictive Control with Constraints [51.91057765703533]
  制約付き拡散予測制御(DPCC) トレーニングデータから逸脱可能な、明示的な状態と行動制約を持つ拡散制御アルゴリズム。 DPCCは,学習した制御タスクの性能を維持しつつ,新しいテスト時間制約を満たす上で,既存の手法よりも優れるロボットマニピュレータのシミュレーションを通して示す。
  論文  参考訳（メタデータ） (2024-12-12T15:10:22Z)
• Learning for Layered Safety-Critical Control with Predictive Control Barrier Functions [26.692688699287213]
  制御障壁関数(CBF)を利用する安全フィルタは、複雑なシステム上での安全な動作を強制するのに非常に効果的である。 RoMとFoMのギャップは、安全違反を引き起こす可能性がある。 本稿では,FoMのロールアウトを活用して予測ロバスト性項を定義することで,このギャップに対処する固有CBFを提案する。
  論文  参考訳（メタデータ） (2024-12-05T23:05:25Z)
• Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
  本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。 このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
  論文  参考訳（メタデータ） (2024-10-03T17:50:19Z)
• Fault Tolerant Neural Control Barrier Functions for Robotic Systems under Sensor Faults and Attacks [6.314000948709254]
  センサ故障および攻撃下でのロボットシステムの安全臨界制御合成について検討した。 我々の主な貢献は、障害耐性神経制御バリア機能(FT-NCBF)と呼ばれる新しいCBFの開発と合成である。
  論文  参考訳（メタデータ） (2024-02-28T19:44:19Z)
• Online Efficient Safety-Critical Control for Mobile Robots in Unknown Dynamic Multi-Obstacle Environments [13.858175528097032]
  本稿では,LiDARに基づく目標探索・探索フレームワークを提案する。 静的障害物と移動障害物が混在する非構造環境におけるオンライン障害物回避の効率性に対処する。
  論文  参考訳（メタデータ） (2024-02-26T09:53:37Z)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• 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)
• Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
  本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。 まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。 次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
  論文  参考訳（メタデータ） (2021-11-18T23:21:00Z)
• 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。