論文の概要: T-CBF: Traversability-based Control Barrier Function to Navigate Vertically Challenging Terrain

• arxiv url: http://arxiv.org/abs/2503.06083v1
• Date: Sat, 08 Mar 2025 06:12:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:46:34.207788
• Title: T-CBF: Traversability-based Control Barrier Function to Navigate Vertically Challenging Terrain
• Title（参考訳）: T-CBF: 垂直に面した地形をナビゲートするトラバーサビリティに基づく制御バリア機能
• Authors: Manas Gupta, Xuesu Xiao,
• Abstract要約: トラバーサビリティに基づく制御バリア機能(T-CBF)について紹介する。 本研究では,非構造的垂直な地形における衝突回避以外の安全性を達成するために,神経制御バリア関数(CBF)を用いる。 シミュレーションおよび物理的Verti-4 Wheeler (V4W) プラットフォーム上での実験実験を行い,T-CBF が目標地点に到達しながらトラバーサビリティの安全性を提供できることを示した。
• 参考スコア（独自算出の注目度）: 9.089399418257148
• License:
• Abstract: Safety has been of paramount importance in motion planning and control techniques and is an active area of research in the past few years. Most safety research for mobile robots target at maintaining safety with the notion of collision avoidance. However, safety goes beyond just avoiding collisions, especially when robots have to navigate unstructured, vertically challenging, off-road terrain, where vehicle rollover and immobilization is as critical as collisions. In this work, we introduce a novel Traversability-based Control Barrier Function (T-CBF), in which we use neural Control Barrier Functions (CBFs) to achieve safety beyond collision avoidance on unstructured vertically challenging terrain by reasoning about new safety aspects in terms of traversability. The neural T-CBF trained on safe and unsafe observations specific to traversability safety is then used to generate safe trajectories. Furthermore, we present experimental results in simulation and on a physical Verti-4 Wheeler (V4W) platform, demonstrating that T-CBF can provide traversability safety while reaching the goal position. T-CBF planner outperforms previously developed planners by 30\% in terms of keeping the robot safe and mobile when navigating on real world vertically challenging terrain.
• Abstract（参考訳）: 安全は運動計画と制御技術において最重要であり、ここ数年で活発な研究領域となっている。 移動ロボットのほとんどの安全研究は、衝突回避の概念による安全維持を目標としている。 しかし、安全は衝突を避けることにとどまらず、特にロボットが非構造的で垂直に困難なオフロードの地形を移動しなければならない場合、車両の転倒や固定化は衝突と同じくらい重要となる。 本研究では、トラバーサビリティに基づく制御バリア関数(T-CBF)を導入し、トラバーサビリティの観点から新しい安全面を推論することで、非構造的垂直な地形における衝突回避を超えた安全性を実現する。 神経性T-CBFは、トラバーサビリティの安全性に特有の安全で安全でない観察に基づいて訓練され、安全な軌道を生成するために使用される。 さらに, 物理的Verti-4 Wheeler (V4W) プラットフォーム上でのシミュレーション実験の結果, T-CBF が目標地点に到達しながら, トラバーサビリティの安全性を実証した。 T-CBFのプランナーは、現実世界で垂直に挑戦する地形を走行する際に、ロボットの安全と移動性を維持するという点で、以前開発されたプランナーを30%上回っている。

関連論文リスト

• ASMA: An Adaptive Safety Margin Algorithm for Vision-Language Drone Navigation via Scene-Aware Control Barrier Functions [9.645098673995317]
  制御障壁関数(CBF)は、最適制御問題を解くことで安全性を保証する効率的なツールである。 RGB-Dセンサで得られたエゴ中心の観測により,新しいシーン認識CBFを定式化する。 我々は,移動物体を追跡するためのドローンの深度マップを収集し,現場認識CBF評価を行うアダプティブ・セーフティ・マージン(Adaptive Safety Margin)を提案する。
  論文  参考訳（メタデータ） (2024-09-16T13:44:50Z)
• Autonomous Control of a Novel Closed Chain Five Bar Active Suspension via Deep Reinforcement Learning [0.6456676618238324]
  本稿では,シャーシ安定化に着目したアクティブサスペンションシステムについて述べる。 SACをPID(Proportional Integral Derivative)コントロールと併用してシャシーを安定化した。 モデルは、周囲の障害物からの距離、障害物の高さ、シャシーの向きを利用して、サスペンションの制御リンクを正確に作動させる。
  論文  参考訳（メタデータ） (2024-06-27T05:27:39Z)
• ABNet: Attention BarrierNet for Safe and Scalable Robot Learning [58.4951884593569]
  バリアベースの手法は、安全なロボット学習における主要なアプローチの1つである。 本稿では,より大規模な基本安全モデルを段階的に構築するスケーラブルなAttention BarrierNet(ABNet)を提案する。 2次元ロボット障害物回避、安全なロボット操作、視覚に基づくエンドツーエンド自動運転におけるABNetの強みを実証する。
  論文  参考訳（メタデータ） (2024-06-18T19:37:44Z)
• Agile But Safe: Learning Collision-Free High-Speed Legged Locomotion [13.647294304606316]
  本稿では,四足歩行ロボットのための学習ベースの制御フレームワークであるAgile But Safe(ABS)を紹介する。 ABSには障害の中でアジャイルモータースキルを実行するためのアジャイルポリシと、障害を防止するためのリカバリポリシが含まれています。 トレーニングプロセスには、アジャイルポリシ、リーチアビドバリューネットワーク、リカバリポリシ、排他的表現ネットワークの学習が含まれる。
  論文  参考訳（メタデータ） (2024-01-31T03:58:28Z)
• Evaluation of Safety Constraints in Autonomous Navigation with Deep Reinforcement Learning [62.997667081978825]
  学習可能なナビゲーションポリシとして,セーフとアンセーフの2つを比較します。 安全なポリシは、制約をアカウントに含めますが、もう一方はそうではありません。 安全政策は、よりクリアランスの高い軌道を生成することができ(障害物によらず)、全体的な性能を犠牲にすることなく、トレーニング中に衝突を減らすことができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T01:04:57Z)
• 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)
• Safe Reinforcement Learning Using Black-Box Reachability Analysis [20.875010584486812]
  強化学習(Reinforcement Learning, RL)は、不確実な環境下でのロボットの動き計画と制御を高度に行うことができる。 広範な展開を正当化するためには、ロボットは性能を犠牲にすることなく安全上の制約を尊重しなければならない。 我々は3つの主要コンポーネントを持つブラックボックス到達可能性に基づく安全層(BRSL)を提案する。
  論文  参考訳（メタデータ） (2022-04-15T10:51:09Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• 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 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。