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

• arxiv url: http://arxiv.org/abs/2503.04929v2
• Date: Tue, 06 May 2025 04:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 14:45:09.264484
• 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
• 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: http://creativecommons.org/licenses/by/4.0/
• 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

• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• Robust Operational Space Control with Conformal Disturbance Bounds for Safe Redundant Manipulation [4.337275843491041]
  制約のある人間間環境で動作する冗長なロボットマニピュレータは、正確なタスク空間追跡を必要とする。 本稿では,拡張状態オブザーバ(ESO)と共形予測を統合したOSCTCフレームワークを提案する。 7-DoF Franka Research 3 マニピュレータの実験では、様々な障害の下で1kHzでミリレベルの追跡精度とリアルタイム安全な制御が実証された。
  論文  参考訳（メタデータ） (2026-07-01T04:33:39Z)
• Safe Polytope-in-Polytope Motion Planning and Control with Control Barrier Functions [45.68209588239261]
  本研究は,多目的ロボットのフットプリントが凸自由空間領域内に留まることを保証する安全な局所運動計画制御手法を提案する。 提案された自由空間定式化では障害物検出やセグメンテーションは不要である。 このアプローチは、自動運転車と非ホロノミックな移動ロボットによるハードウェアによるシミュレーションで検証されている。
  論文  参考訳（メタデータ） (2026-06-08T16:44:28Z)
• Robust Integrated Planning and Control for Quadrotors in Dynamic Environments via NMPC with CBF Penalties [0.0]
  本稿では、無人航空機のための新しいロバストな統合計画制御(IPC)戦略を提案する。 本稿では,制御障壁関数(CBF)を指数関数として組み込む非線形モデル予測制御(NMPC)の定式化を提案する。 これは、ハードウェアで検証された最初のNMPC-CBF IPCフレームワークであり、動的環境における安全な4乗子配置に向けた実践的なステップを提供する。
  論文  参考訳（メタデータ） (2026-05-31T06:08:05Z)
• Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
  マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。 既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。 本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T21:17:53Z)
• Reactive Robot-Centric Safety for Autonomous Navigation in Constrained and Dynamic Environments [14.321190258774358]
  本稿では,3次元LIDAR認識に基づく複合制御バリア関数を統合したリアルタイム制御アーキテクチャを提案する。 地下環境における複数フィールド実験を通してシステムを検証する。
  論文  参考訳（メタデータ） (2026-05-15T09:42:13Z)
• Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
  本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。 提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。 我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
  論文  参考訳（メタデータ） (2026-05-05T04:49:38Z)
• FORMULA: FORmation MPC with neUral barrier Learning for safety Assurance [4.374354534474969]
  FORMULAは安全な分散学習型予測制御フレームワークである。 安定性のためのコントロールLyapunov関数と、分散安全性のためのニューラルネットワークベースのCBFを統合している。 FORMULAは、複雑な環境下でのマルチロボットチームに対して、スケーラブルで、安全に配慮した、構成保存ナビゲーションを可能にする。
  論文  参考訳（メタデータ） (2026-04-06T04:21:09Z)
• BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
  BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。 BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-23T18:19:46Z)
• AmbShield: Enhancing Physical Layer Security with Ambient Backscatter Devices against Eavesdroppers [69.56534335936534]
  AmbShieldは自然分布のAmBDを利用して正規チャネルを強化し、eavesdropperを分解するAmBD支援PSSスキームである。 AmbShieldでは、AmBDはランダムに後方散乱して盗聴者の干渉を発生させるフレンドリーなジャマーとして利用され、受動的リレーは所望の信号を後方散乱して正当な装置の容量を高める。
  論文  参考訳（メタデータ） (2026-01-14T20:56:50Z)
• Spatiotemporal Tubes for Differential Drive Robots with Model Uncertainty [2.4919077201316067]
  本稿では,動的不確かさと外乱を考慮したディファレンシャルドライブ移動ロボットのための時空間管型制御フレームワークを提案する。 提案手法は,ディファレンシャルドライブロボットのシミュレーション研究を通じて検証し,最先端の手法と比較した。
  論文  参考訳（メタデータ） (2025-12-05T07:43:23Z)
• Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
  本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。 提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。 これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
  論文  参考訳（メタデータ） (2025-04-30T13:47:25Z)
• Soft Actor-Critic-based Control Barrier Adaptation for Robust Autonomous Navigation in Unknown Environments [4.788163807490197]
  制御バリア関数(CBF)の制約パラメータを実行時に適用するためのソフトアクタ・クリティカル(SAC)ベースのポリシーを提案する。 我々は,本フレームワークがCBF制約を効果的に適用し,ロボットが安全性を損なうことなく最終目標に達することを実証した。
  論文  参考訳（メタデータ） (2025-03-11T14:33:55Z)
• 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)
• 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。