論文の概要: SafeFlowMatcher: Safe and Fast Planning using Flow Matching with Control Barrier Functions

• arxiv url: http://arxiv.org/abs/2509.24243v2
• Date: Mon, 06 Oct 2025 04:13:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 14:28:10.880107
• Title: SafeFlowMatcher: Safe and Fast Planning using Flow Matching with Control Barrier Functions
• Title（参考訳）: SafeFlowMatcher: フローマッチングとコントロールバリア関数を用いた安全かつ高速な計画
• Abstract要約: 本稿では,フローマッチング(FM)と制御バリア関数(CBF)を結合して,リアルタイムの効率性と認証された安全性を実現するための計画フレームワークであるSafeFlowMatcherを提案する。 結果のフローシステムに対する障壁証明を証明し、ロバストな安全な集合の前方不変性と、安全な集合への有限時間収束性を確立する。 迷路ナビゲーションとベンチマーク全体で、SafeFlowMatcherは拡散とFMベースのベースラインよりも高速でスムーズで安全なパスを実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative planners based on flow matching (FM) can produce high-quality paths in one or a few ODE steps, but their sampling dynamics offer no formal safety guarantees and can yield incomplete paths near constraints. We present SafeFlowMatcher, a planning framework that couples FM with control barrier functions (CBFs) to achieve both real-time efficiency and certified safety. SafeFlowMatcher uses a two-phase prediction-correction (PC) integrator: (i) a prediction phase integrates the learned FM once (or a few steps) to obtain a candidate path without intervention; (ii) a correction phase refines this path with a vanishing time-scaled vector field and a CBF-based quadratic program that minimally perturbs the vector field. We prove a barrier certificate for the resulting flow system, establishing forward invariance of a robust safe set and finite-time convergence to the safe set. By enforcing safety only on the executed path (rather than on all intermediate latent paths), SafeFlowMatcher avoids distributional drift and mitigates local trap problems. Across maze navigation and locomotion benchmarks, SafeFlowMatcher attains faster, smoother, and safer paths than diffusion- and FM-based baselines. Extensive ablations corroborate the contributions of the PC integrator and the barrier certificate.
• Abstract（参考訳）: フローマッチング(FM)に基づくジェネレーティブプランナーは、1つまたは数つのODEステップで高品質なパスを生成することができるが、サンプリングダイナミクスは正式な安全保証を提供しておらず、制約の近くで不完全なパスを生成することができる。 我々は,FMと制御障壁関数(CBF)を結合してリアルタイム効率と認証された安全性を両立させる計画フレームワークであるSafeFlowMatcherを提案する。 SafeFlowMatcherは2相予測補正(PC)インテグレータを使用している。 一 予測フェーズは、学習したFMを一度(又は数ステップ)統合して、介入することなく、候補経路を得る。 (II)補正相は、この経路を時間スケールのベクトル場と、ベクトル場を最小に摂動させるCBFベースの二次プログラムで洗練する。 結果,ロバストな安全集合と有限時間収束の前方不変性を確立し,結果の流れ系に対する障壁証明を証明した。 SafeFlowMatcherは、実行されたパス(すべての中間の遅延パスではなく)にのみ安全を強制することにより、分散ドリフトを回避し、ローカルなトラップ問題を緩和する。 迷路ナビゲーションと移動ベンチマーク全体で、SafeFlowMatcherは拡散とFMベースのベースラインよりも高速でスムーズで安全なパスを得る。 広範囲にわたる改善は、PCインテグレータとバリア証明書の貢献を裏付ける。

関連論文リスト

• Reliable Near-Field Multi-User Positioning Informed by Two-Stage MUSIC [52.33021019321273]
  近距離場ローカライゼーションは、将来の無線システムにおける高解像度マルチユーザ位置決めのための有望な技術である。 パラメータ推定とパス/ソースアソシエーションを分離する必要のある既存のニアフィールドローカライズ手法では,オーバヘッドと累積誤差に悩まされている。 本稿では,2段階のMUltiple SIgnal Classification (MUSIC) を用いて,Lose-of-sight (LoS) とNon-LoS (NLoS) の混在シナリオにおいてエンド・ツー・エンドな位置決め型ディープラーニング(DL) フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-08T20:03:33Z)
• Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats [76.98547580312116]
  本稿では,分散モデル予測制御(MPC)と制御バリア関数(CBF)を組み合わせたハイブリッドフレームワークを提案する。 リアルタイムに安全を確保するため、分散CBFベースのフィルタを適用し、エージェント間回避を強制する。
  論文  参考訳（メタデータ） (2026-07-22T16:37:05Z)
• From Prediction Uncertainty to Conformalized Distance Fields for Safe Motion Planning [9.50741434664352]
  既存のコンフォメーションアプローチは、障害物ごとの予測誤差を集計するスカラースコアに適合する。 代わりに、予測距離場全体を同時に整列する。 この関数共形予測フレームワークは、分布自由で、フィールドレベルの低い境界をもたらす。
  論文  参考訳（メタデータ） (2026-07-01T11:02:51Z)
• Predicted-Flow Control Barrier Functions for Real-Time Safe Optimal Control [0.0]
  制御障壁関数(CBF)は、状態のポイントワイズ条件を通じてリアルタイムの安全保証を提供する。 本稿では,予測フロー制御バリア関数(P-CBF)を紹介する。 安全のために、P-CBFは予測フローが予測水平線全体にわたって安全なセットにあることを証明できる。
  論文  参考訳（メタデータ） (2026-05-29T19:27:24Z)
• Layered Safety: Enhancing Autonomous Collision Avoidance via Multistage CBF Safety Filters [18.386652442201665]
  本稿では,ロバストで信頼性の高い層状安全フィルタを構築するための汎用的なエンドツーエンドフレームワークを提案する。 ロボット中心の点雲が与えられた場合、我々は、ポアソン安全関数(PSF)を合成するために使用される占有マップを構築することから始める。 PSFは2つの異なる安全濾過段階において制御バリア機能(CBF)として使用される。
  論文  参考訳（メタデータ） (2026-02-27T22:19:45Z)
• BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
  BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。 BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-23T18:19:46Z)
• Conditional Flow Matching for Continuous Anomaly Detection in Autonomous Driving on a Manifold-Aware Spectral Space [0.0]
  安全クリティカルな異常検出のための教師なしフレームワークであるDeep-Flowを提案する。 不安定で高次元の座標空間で動作する標準的な生成的アプローチとは異なり、Deep-Flowは生成過程を低ランクのスペクトル多様体に制約する。 これにより、設計によるキネマティックな滑らかさが保証され、数値的に安定で決定論的な対数類似度推定の計算が可能になる。
  論文  参考訳（メタデータ） (2026-02-19T18:10:16Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• Efficient Switchable Safety Control in LLMs via Magic-Token-Guided Co-Training [1.5349686675266894]
  LLM(Large Language Models)におけるコンテンツ安全性の現在の手法は、マルチステージトレーニングパイプラインに依存している。 複数の安全性挙動を効率的に統合する統合協調学習フレームワークを提案する。 我々は,SFT+DPOの安全アライメント品質に一致し,安全性能においてDeepSeek-R1 (671B) を上回る8Bモデルを示した。
  論文  参考訳（メタデータ） (2025-08-12T02:39:33Z)
• SafePath: Conformal Prediction for Safe LLM-Based Autonomous Navigation [67.22657932549723]
  SafePathは,LLM(Large Language Models)を公式な安全保証とともに拡張するフレームワークである。 第1段階では,多様な候補経路を生成するLCMを用いて,エージェントの挙動と環境条件に基づく軌道探索を行う。 第2段階では、SafePathはリスクの高いトラジェクトリをフィルタリングし、少なくとも1つのセーフオプションがユーザ定義の確率に含まれていることを保証します。 最終段階では,不確実性が低い場合や不確実性が高い場合,人間に制御を委譲する場合の衝突リスクが最も低い経路を選択する。
  論文  参考訳（メタデータ） (2025-05-14T14:28:24Z)
• Pareto Control Barrier Function for Inner Safe Set Maximization Under Input Constraints [50.920465513162334]
  入力制約下での動的システムの内部安全集合を最大化するPCBFアルゴリズムを提案する。 逆振り子に対するハミルトン・ヤコビの到達性との比較と,12次元四元数系のシミュレーションにより,その有効性を検証する。 その結果,PCBFは既存の手法を一貫して上回り,入力制約下での安全性を確保した。
  論文  参考訳（メタデータ） (2024-10-05T18:45:19Z)
• Learning Performance-Oriented Control Barrier Functions Under Complex Safety Constraints and Limited Actuation [5.62479170374811]
  制御バリア関数(CBF)は非線形制御系力学を制約するエレガントなフレームワークを提供する。 これらの課題に包括的に対処する,新たな自己教師型学習フレームワークを導入する。 本研究では,2次元ダブルインテグレータ(DI)システムと7次元固定翼航空機システムに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2024-01-11T02:51:49Z)
• Wasserstein Distributionally Robust Control Barrier Function using Conditional Value-at-Risk with Differentiable Convex Programming [4.825619788907192]
  制御バリア関数 (CBF) は、現実世界の安全クリティカルシステムのための安全なコントローラの設計に広く注目を集めている。 分布変化下でのレジリエンスを達成するために, 分散ロバストCBFを提案する。 また、高次システムに対するDR-CBFの近似変種も提供する。
  論文  参考訳（メタデータ） (2023-09-15T18:45:09Z)
• CaRT: Certified Safety and Robust Tracking in Learning-based Motion Planning for Multi-Agent Systems [7.77024796789203]
  CaRTは、学習ベースのモーションプランニングポリシーの安全性と堅牢性を保証するために、新しい階層的な分散アーキテクチャである。 定性障害や有界障害があっても,CaRTは軌道追跡誤差の安全性と指数関数性を保証する。 本稿では, 非線形動作計画と制御問題のいくつかの例において, CaRTの有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-13T21:51:29Z)
• 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)
• 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。