論文の概要: Reachability Barrier Networks: Learning Hamilton-Jacobi Solutions for Smooth and Flexible Control Barrier Functions

• arxiv url: http://arxiv.org/abs/2505.11755v2
• Date: Tue, 20 May 2025 02:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 12:33:37.406868
• Title: Reachability Barrier Networks: Learning Hamilton-Jacobi Solutions for Smooth and Flexible Control Barrier Functions
• Title（参考訳）: Reachability Barrier Networks:Smooth と Flexible Control Barrier 関数に対する Hamilton-Jacobi ソリューションの学習
• Authors: Matthew Kim, William Sharpless, Hyun Joe Jeong, Sander Tonkens, Somil Bansal, Sylvia Herbert,
• Abstract要約: 制御バリア関数(CBF)は、一般的な制御フレームワークに安全保証を付加する一般的な方法である。 物理インフォームドニューラルネットワーク(PINN)を用いて,ハミルトン・ヤコビ最適制御解の計算によりCBFのスムーズな近似を生成する。 我々は、RBNは低次元において非常に正確であり、高次元における標準的な神経CBFアプローチよりも安全であることを示した。
• 参考スコア（独自算出の注目度）: 5.846607930201535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent developments in autonomous driving and robotics underscore the necessity of safety-critical controllers. Control barrier functions (CBFs) are a popular method for appending safety guarantees to a general control framework, but they are notoriously difficult to generate beyond low dimensions. Existing methods often yield non-differentiable or inaccurate approximations that lack integrity, and thus fail to ensure safety. In this work, we use physics-informed neural networks (PINNs) to generate smooth approximations of CBFs by computing Hamilton-Jacobi (HJ) optimal control solutions. These reachability barrier networks (RBNs) avoid traditional dimensionality constraints and support the tuning of their conservativeness post-training through a parameterized discount term. To ensure robustness of the discounted solutions, we leverage conformal prediction methods to derive probabilistic safety guarantees for RBNs. We demonstrate that RBNs are highly accurate in low dimensions, and safer than the standard neural CBF approach in high dimensions. Namely, we showcase the RBNs in a 9D multi-vehicle collision avoidance problem where it empirically proves to be 5.5x safer and 1.9x less conservative than the neural CBFs, offering a promising method to synthesize CBFs for general nonlinear autonomous systems.
• Abstract（参考訳）: 自律運転とロボティクスの最近の進歩は、安全クリティカルな制御装置の必要性を浮き彫りにしている。 制御障壁関数(CBF)は、一般的な制御フレームワークに安全保証を付加する一般的な方法であるが、低次元を超える生成が困難であることが知られている。 既存の手法はしばしば、完全性に欠ける非微分可能あるいは不正確な近似をもたらし、したがって安全性の確保に失敗する。 本研究では、物理インフォームドニューラルネットワーク(PINN)を用いて、ハミルトン・ヤコビ(HJ)最適制御解の計算によりCBFのスムーズな近似を生成する。 これらの到達性バリアネットワーク(RBN)は、伝統的な次元制約を回避し、パラメータ化割引項による保守性後トレーニングのチューニングを支援する。 割引解のロバスト性を確保するため,RBNの確率論的安全性を保証するために共形予測手法を利用する。 我々は、RBNは低次元において非常に正確であり、高次元における標準的な神経CBFアプローチよりも安全であることを示した。 すなわち、RBNは、ニューラルネットワークよりも5.5倍安全で1.9倍保守性が低いことを実証的に証明し、一般的な自律自律システムのためにCBFを合成する有望な方法を提供する。

関連論文リスト

• Neural Control Barrier Functions from Physics Informed Neural Networks [2.092779643426281]
  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。
  論文  参考訳（メタデータ） (2025-04-15T10:13:30Z)
• CP-NCBF: A Conformal Prediction-based Approach to Synthesize Verified Neural Control Barrier Functions [2.092779643426281]
  制御バリア関数(CBF)は、安全クリティカルなコントローラを設計するための実践的なアプローチである。 近年,ニューラルCBFのような学習ベースの手法でこの問題に対処する研究が進められている。 本稿では, 分割整形予測を利用して, 正式に検証されたニューラルCBFを生成する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-18T10:01:06Z)
• 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)
• Exact Verification of ReLU Neural Control Barrier Functions [25.44521208451216]
  制御バリア関数(CBF)は非線形システムの安全な制御のための一般的なアプローチである。 CBFをニューラルネットワークとして表現する最近の機械学習手法は、非常に有望である。 本稿では,ReLU アクティベーション機能付きフィードフォワード NCBF の安全性を検証するための,新しい正確な条件とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T18:59:04Z)
• 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)
• 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)
• 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。