論文の概要: Spatiotemporal Tubes for Differential Drive Robots with Model Uncertainty

• arxiv url: http://arxiv.org/abs/2512.05495v1
• Date: Fri, 05 Dec 2025 07:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.146724
• Title: Spatiotemporal Tubes for Differential Drive Robots with Model Uncertainty
• Title（参考訳）: モデル不確かさを有する差動駆動ロボットの時空間管
• Authors: Ratnangshu Das, Ahan Basu, Christos Verginis, Pushpak Jagtap,
• Abstract要約: 本稿では,動的不確かさと外乱を考慮したディファレンシャルドライブ移動ロボットのための時空間管型制御フレームワークを提案する。 提案手法は,ディファレンシャルドライブロボットのシミュレーション研究を通じて検証し,最先端の手法と比較した。
• 参考スコア（独自算出の注目度）: 2.4919077201316067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a Spatiotemporal Tube (STT)-based control framework for differential-drive mobile robots with dynamic uncertainties and external disturbances, guaranteeing the satisfaction of Temporal Reach-Avoid-Stay (T-RAS) specifications. The approach employs circular STT, characterized by smoothly time-varying center and radius, to define dynamic safe corridors that guide the robot from the start region to the goal while avoiding obstacles. In particular, we first develop a sampling-based synthesis algorithm to construct a feasible STT that satisfies the prescribed timing and safety constraints with formal guarantees. To ensure that the robot remains confined within this tube, we then design analytically a closed-form, approximation-free control law. The resulting controller is computationally efficient, robust to disturbances and {model uncertainties}, and requires no model approximations or online optimization. The proposed framework is validated through simulation studies on a differential-drive robot and benchmarked against state-of-the-art methods, demonstrating superior robustness, accuracy, and computational efficiency.
• Abstract（参考訳）: 本稿では,T-RAS仕様の満足度を保証し,動的不確かさと外乱を伴うディファレンシャルドライブ型移動ロボットのための時空間管(STT)ベースの制御フレームワークを提案する。 このアプローチでは、スムーズな時間変化中心と半径を特徴とする円形のSTTを使用して、障害物を避けながら、ロボットをスタート領域からゴールへと導くダイナミックな安全回廊を定義する。 具体的には、まずサンプリングに基づく合成アルゴリズムを開発し、所定のタイミングと安全性の制約を満たす実効性のあるSTTを形式的保証で構築する。 ロボットがこの管内に閉じ込められていることを確実にするために、我々は解析的にクローズドな近似のない制御則を設計する。 結果として得られるコントローラは計算的に効率的で、乱れやモデルの不確実性に対して堅牢であり、モデル近似やオンライン最適化は不要である。 提案手法はディファレンシャルドライブロボットのシミュレーション研究を通じて検証され、最先端の手法に対してベンチマークを行い、優れた堅牢性、精度、計算効率を示す。

関連論文リスト

• Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
  リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。 また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
  論文  参考訳（メタデータ） (2026-02-02T21:33:03Z)
• Spatiotemporal Tubes for Probabilistic Temporal Reach-Avoid-Stay Task in Uncertain Dynamic Environment [2.7222301668137483]
  時間変化の不確実な障害を考慮した実時間管合成法を開発した。 管内の系軌跡を閉じ込める閉形式近似自由制御法を導出する。 本手法は確率的回避と有限時間タスク完了の正式な保証を提供する。
  論文  参考訳（メタデータ） (2025-12-25T04:06:35Z)
• Real-Time Spatiotemporal Tubes for Dynamic Unsafe Sets [2.7222301668137483]
  未知のダイナミクスを持つ非線形純粋定常系のリアルタイム制御フレームワークを提案する。 障害物回避とオンタイム・コンプリートに関する正式な保証を提供する。 このフレームワークは、モバイルロボットと航空機のシミュレーションとハードウェア実験によって実証される。
  論文  参考訳（メタデータ） (2025-12-05T21:00:43Z)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
  本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。 モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
  論文  参考訳（メタデータ） (2023-06-12T13:10:14Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• 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)
• Guided Constrained Policy Optimization for Dynamic Quadrupedal Robot Locomotion [78.46388769788405]
  我々は,制約付きポリシー最適化(CPPO)の実装に基づくRLフレームワークであるGCPOを紹介する。 誘導制約付きRLは所望の最適値に近い高速収束を実現し,正確な報酬関数チューニングを必要とせず,最適かつ物理的に実現可能なロボット制御動作を実現することを示す。
  論文  参考訳（メタデータ） (2020-02-22T10:15:53Z)

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。