論文の概要: Neural Control Barrier Functions from Physics Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2504.11045v1
• Date: Tue, 15 Apr 2025 10:13:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:06:20.726221
• Title: Neural Control Barrier Functions from Physics Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークからのニューラルコントロールバリア機能
• Authors: Shreenabh Agrawal, Manan Tayal, Aditya Singh, Shishir Kolathaya,
• Abstract要約: 本稿では,物理に着想を得たニューラルネットワークフレームワークを活用した新しいニューラルネットワークCBFについて紹介する。 CBFをゼロにする代わりに相互にCBFを利用することで、フレキシブルでユーザ定義の安全な領域を指定できる。
• 参考スコア（独自算出の注目度）: 2.092779643426281
• License:
• Abstract: As autonomous systems become increasingly prevalent in daily life, ensuring their safety is paramount. Control Barrier Functions (CBFs) have emerged as an effective tool for guaranteeing safety; however, manually designing them for specific applications remains a significant challenge. With the advent of deep learning techniques, recent research has explored synthesizing CBFs using neural networks-commonly referred to as neural CBFs. This paper introduces a novel class of neural CBFs that leverages a physics-inspired neural network framework by incorporating Zubov's Partial Differential Equation (PDE) within the context of safety. This approach provides a scalable methodology for synthesizing neural CBFs applicable to high-dimensional systems. Furthermore, by utilizing reciprocal CBFs instead of zeroing CBFs, the proposed framework allows for the specification of flexible, user-defined safe regions. To validate the effectiveness of the approach, we present case studies on three different systems: an inverted pendulum, autonomous ground navigation, and aerial navigation in obstacle-laden environments.
• Abstract（参考訳）: 自律システムが日々の生活でますます普及するにつれて、安全が最優先される。 制御バリア関数(CBF)は安全性を保証する効果的なツールとして登場したが、特定のアプリケーション用に手動で設計することは依然として大きな課題である。 ディープラーニング技術の出現に伴い、最近の研究では、ニューラルネットワークを用いたCBFの合成について検討されている。 本稿では、Zubovの偏微分方程式(Partial Differential Equation, PDE)を安全性の文脈に組み込むことにより、物理に着想を得たニューラルネットワークフレームワークを活用する新しいニューラルネットワークCBFについて紹介する。 このアプローチは、高次元システムに適用可能なニューラルネットワークCBFを合成するためのスケーラブルな方法論を提供する。 さらに、CBFをゼロにする代わりに相互にCBFを利用することで、フレキシブルでユーザ定義の安全な領域を指定できる。 提案手法の有効性を検証するために, 逆振子, 自律地中航法, 障害物環境下での空中航法の3つのシステムについて, ケーススタディを提案する。

関連論文リスト

• Verification of Neural Control Barrier Functions with Symbolic Derivative Bounds Propagation [6.987300771372427]
  本稿では,ReLUに基づくニューラルCBFの有効検証フレームワークを提案する。 シンボル境界は、ニューラルCBFヤコビアンおよび非線形系力学の内積によって伝播可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-04T21:42:25Z)
• Building Hybrid B-Spline And Neural Network Operators [0.0]
  制御システムはサイバー物理システム(CPS)の安全性を確保するために不可欠である 本稿では,B-スプラインの帰納バイアスとデータ駆動型ニューラルネットワークを組み合わせることで,CPS行動のリアルタイム予測を容易にする手法を提案する。
  論文  参考訳（メタデータ） (2024-06-06T21:54:59Z)
• 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)
• 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)
• Backward Reachability Analysis of Neural Feedback Loops: Techniques for Linear and Nonlinear Systems [59.57462129637796]
  本稿では,ニューラルネットワークを用いた閉ループシステムの安全性検証のための後方到達性アプローチを提案する。 フィードバックループにおけるNNの存在は、その活性化関数の非線形性や、NNモデルは一般に可逆的ではないため、ユニークな問題セットを示す。 フィードフォワードNNで表される制御ポリシを持つ線形系と非線形系のBP過近似を計算するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T13:17:28Z)
• 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 To Estimate Regions Of Attraction Of Autonomous Dynamical Systems Using Physics-Informed Neural Networks [0.0]
  制御された自律力学系のアトラクション領域(ROA)を推定するためにニューラルネットワークを訓練する。 この安全ネットワークは、提案した制御行動の相対的安全性を定量化し、損傷行為の選択を防止するために使用できる。 今後の研究では、運動学習タスクにおける強化学習エージェントにこの手法を適用する予定である。
  論文  参考訳（メタデータ） (2021-11-18T19:58:47Z)
• 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。