論文の概要: ORN-CBF: Learning Observation-conditioned Residual Neural Control Barrier Functions via Hypernetworks

• arxiv url: http://arxiv.org/abs/2509.16614v1
• Date: Sat, 20 Sep 2025 10:29:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.886103
• Title: ORN-CBF: Learning Observation-conditioned Residual Neural Control Barrier Functions via Hypernetworks
• Title（参考訳）: ORN-CBF:ハイパーネットによる観測条件付き残留ニューラルネットワークバリア関数の学習
• Authors: Bojan Derajić, Sebastian Bernhard, Wolfgang Hönig,
• Abstract要約: 制御障壁関数 (CBF) は自律システムの安全クリティカル制御の有効な方法として実証されている。 ハミルトン・ヤコビ(HJ)の到達可能性解析に基づく観測条件付きニューラルCBFを提案する。
• 参考スコア（独自算出の注目度）: 2.7458654644827134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Control barrier functions (CBFs) have been demonstrated as an effective method for safety-critical control of autonomous systems. Although CBFs are simple to deploy, their design remains challenging, motivating the development of learning-based approaches. Yet, issues such as suboptimal safe sets, applicability in partially observable environments, and lack of rigorous safety guarantees persist. In this work, we propose observation-conditioned neural CBFs based on Hamilton-Jacobi (HJ) reachability analysis, which approximately recover the maximal safe sets. We exploit certain mathematical properties of the HJ value function, ensuring that the predicted safe set never intersects with the observed failure set. Moreover, we leverage a hypernetwork-based architecture that is particularly suitable for the design of observation-conditioned safety filters. The proposed method is examined both in simulation and hardware experiments for a ground robot and a quadcopter. The results show improved success rates and generalization to out-of-domain environments compared to the baselines.
• Abstract（参考訳）: 制御障壁関数 (CBF) は自律システムの安全クリティカル制御の有効な方法として実証されている。 CBFは簡単にデプロイできるが、その設計は依然として困難であり、学習ベースのアプローチの開発を動機付けている。 しかし、準最適安全セット、部分的に観測可能な環境における適用性、厳密な安全保証の欠如といった問題が続いている。 本研究では,ハミルトン・ヤコビ(HJ)の到達可能性解析に基づく観測条件付きニューラルCBFを提案する。 我々は、HJ値関数の特定の数学的性質を利用して、予測された安全集合が観測された失敗集合と干渉しないことを保証する。 さらに,観測条件付き安全フィルタの設計に特に適したハイパーネットワークアーキテクチャを利用する。 提案手法は地上ロボットとクワッドコプターのシミュレーションおよびハードウェア実験において検討した。 その結果、ベースラインと比較して、成功率と領域外環境への一般化が改善された。

関連論文リスト

• 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)
• 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)
• 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)
• Gaussian Control Barrier Functions : A Non-Parametric Paradigm to Safety [7.921648699199647]
  ガウス過程(GP)を用いたCBFのオンライン合成のための非パラメトリック手法を提案する。 GPは解析的トラクタビリティやロバストな不確実性推定などの非パラメトリック性に加えて、好ましい性質を持つ。 固定的かつ任意の安全な集合に対する安全な制御を実証することにより、クワッド上で実験により検証する。
  論文  参考訳（メタデータ） (2022-03-29T12:21:28Z)
• 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。