論文の概要: Safe and Efficient Social Navigation through Explainable Safety Regions Based on Topological Features
- arxiv url: http://arxiv.org/abs/2503.16441v2
- Date: Thu, 28 Aug 2025 08:50:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 13:55:30.952152
- Title: Safe and Efficient Social Navigation through Explainable Safety Regions Based on Topological Features
- Title（参考訳）: トポロジ的特徴に基づく説明可能な安全地域を通した安全かつ効率的なソーシャルナビゲーション
- Authors: Victor Toscano-Duran, Sara Narteni, Alberto Carlevaro, Jérôme Guzzi Rocio Gonzalez-Diaz, Maurizio Mongelli,
- Abstract要約: ソーシャルナビゲーションのシナリオにおいて,トポロジカルな特徴が説明可能な安全領域の創出にどのように貢献するかを検討する。
まず、グローバルルールに基づく分類を用いて、異なるシミュレーション動作の解釈可能な特性を提供する。
我々は、衝突を避けるトポロジカル特徴空間におけるゾーンを表す安全領域、$S_varepsilon$を定義する。
- 参考スコア（独自算出の注目度）: 1.6820679913440582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent adoption of artificial intelligence in robotics has driven the development of algorithms that enable autonomous systems to adapt to complex social environments. In particular, safe and efficient social navigation is a key challenge, requiring AI not only to avoid collisions and deadlocks but also to interact intuitively and predictably with its surroundings. Methods based on probabilistic models and the generation of conformal safety regions have shown promising results in defining safety regions with a controlled margin of error, primarily relying on classification approaches and explicit rules to describe collision-free navigation conditions. This work extends the existing perspective by investigating how topological features can contribute to the creation of explainable safety regions in social navigation scenarios, enabling the classification and characterization of different simulation behaviors. Rather than relying on behaviors parameters to generate safety regions, we leverage topological features through topological data analysis. We first utilize global rule-based classification to provide interpretable characterizations of different simulation behaviors, distinguishing between safe and unsafe scenarios based on topological properties. Next, we define safety regions, $S_\varepsilon$, representing zones in the topological feature space where collisions are avoided with a maximum classification error of $\varepsilon$. These regions are constructed using adjustable SVM classifiers and order statistics, ensuring a robust and scalable decision boundary. Our approach initially separates simulations with and without collisions, outperforming methods that not incorporate topological features. We further refine safety regions to ensure deadlock-free simulations and integrate both aspects to define a compliant simulation space that guarantees safe and efficient navigation.
- Abstract（参考訳）: ロボット工学における人工知能の採用により、自律システムによる複雑な社会環境への適応を可能にするアルゴリズムの開発が進められている。
特に、安全で効率的なソーシャルナビゲーションは重要な課題であり、AIは衝突やデッドロックを避けるだけでなく、周囲との直感的で予測可能な対話も必要である。
確率論的モデルに基づく手法と共形安全領域の生成は,衝突のない航行条件を記述するための分類法や明示的な規則に大きく依存して,誤差の制御された安全領域を定義する上で有望な結果を示している。
本研究は, 社会ナビゲーションのシナリオにおいて, トポロジ的特徴が説明可能な安全領域の創出にどのように貢献するかを考察し, 異なるシミュレーション行動の分類と特徴付けを可能にすることによって, 既存の視点を拡張した。
安全領域を生成するために行動パラメータに頼るのではなく、トポロジ的データ分析を通じてトポロジ的特徴を活用する。
まず、グローバルなルールに基づく分類を用いて、トポロジ的特性に基づく安全シナリオと安全シナリオを区別し、異なるシミュレーション挙動の解釈可能な特徴を与える。
次に、衝突を避けるトポロジカル特徴空間内のゾーンを表す安全領域を$S_\varepsilon$と定義し、最大分類誤差を$\varepsilon$と定義する。
これらの領域は、調整可能なSVM分類器と順序統計を用いて構築され、堅牢でスケーラブルな決定境界を保証する。
提案手法は, トポロジ的特徴を組み込まずに, 衝突や衝突なしにシミュレーションを分離する手法である。
我々は、デッドロックのないシミュレーションを保証するために安全領域をさらに洗練し、安全かつ効率的なナビゲーションを保証するための準拠したシミュレーション空間を定義するために両方の側面を統合する。
関連論文リスト
- 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) - Generalizing Safety Beyond Collision-Avoidance via Latent-Space Reachability Analysis [6.267574471145217]
Hamilton-Jacobi (H) は、ロボットが安全でない状態を同時に検出し、アクションを生成するための厳格なフレームワークである。
生観測データを直接操作する潜在空間到達性であるLa Safety Filtersを提案する。
論文 参考訳（メタデータ） (2025-02-02T22:00:20Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Probabilistic Reach-Avoid for Bayesian Neural Networks [71.67052234622781]
最適合成アルゴリズムは、証明された状態の数を4倍以上に増やすことができることを示す。
このアルゴリズムは、平均的な到達回避確率を3倍以上に向上させることができる。
論文 参考訳（メタデータ） (2023-10-03T10:52:21Z) - Bayesian Deep Learning for Segmentation for Autonomous Safe Planetary Landing [7.1581738936972]
本稿では,ベイジアンディープラーニングセグメンテーション法のハザード検出への応用を提案する。
ベイジアンディープラーニングとセマンティックセグメンテーションを通じて、安全予測マップとその不確実性マップを同時に生成する。
実験は、Mars HiRISEデジタル地形モデルに基づくシミュレーションデータで示される。
論文 参考訳（メタデータ） (2021-02-21T08:13:49Z) - Guided Uncertainty-Aware Policy Optimization: Combining Learning and
Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。
強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。
本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
論文 参考訳（メタデータ） (2020-05-21T19:47:05Z) - Online Mapping and Motion Planning under Uncertainty for Safe Navigation
in Unknown Environments [3.2296078260106174]
本論文は,確率論的安全保証者によるオンラインで実現可能な動作のマッピングと計画のための不確実性に基づくフレームワークを提案する。
提案手法は, 環境の不確実性を意識した環境表現を構築するために周囲をマッピングし, (i) 信念空間の多層サンプリングベースプランナーを通して, キノダイナミックに実現可能で確率論的に安全な目標に反復的に(re)計画を行うことにより, 動き, 確率論的安全性, オンライン計算制約を取り扱う。
論文 参考訳（メタデータ） (2020-04-26T08:53:37Z) - 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。