論文の概要: Energy-Aware Bayesian Control Barrier Functions for Physics-Informed Gaussian Process Dynamics
- arxiv url: http://arxiv.org/abs/2512.24493v1
- Date: Tue, 30 Dec 2025 22:24:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.580399
- Title: Energy-Aware Bayesian Control Barrier Functions for Physics-Informed Gaussian Process Dynamics
- Title（参考訳）: 物理インフォームドガウス過程ダイナミクスのためのエネルギーを考慮したベイズ制御バリア関数
- Abstract要約: 連続時間力学をガウス過程(GP)で学習する力学系の安全制御について検討する。
GPハミルトニアンの後部の可用性は、この構造を体系的に利用し、高確率安全性を保証するエネルギーを意識した制御障壁関数を設計する方法という問題を自然に提起する。
我々はベイジアン-CBFフレームワークを開発し、エネルギーを意識したベイジアン-CBF(EB-CBF)をインスタンス化することでこの問題に対処する。
質量ばね系の数値シミュレーションにより, 提案したEB-CBFは, ノイズの多いGP学習力学の下で高確率安全性を実現することを示した。
- 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: We study safe control for dynamical systems whose continuous-time dynamics are learned with Gaussian processes (GPs), focusing on mechanical and port-Hamiltonian systems where safety is naturally expressed via energy constraints. The availability of a GP Hamiltonian posterior naturally raises the question of how to systematically exploit this structure to design an energy-aware control barrier function with high-probability safety guarantees. We address this problem by developing a Bayesian-CBF framework and instantiating it with energy-aware Bayesian-CBFs (EB-CBFs) that construct conservative energy-based barriers directly from the Hamiltonian and vector-field posteriors, yielding safety filters that minimally modify a nominal controller while providing probabilistic energy safety guarantees. Numerical simulations on a mass-spring system demonstrate that the proposed EB-CBFs achieve high-probability safety under noisy sampled GP-learned dynamics.
- Abstract（参考訳）: 本研究では,ガウス過程 (GP) で連続時間力学を学習した力学系に対する安全制御について検討し,エネルギー制約により自然に安全が表現される力学系とポート・ハミルトン系に着目した。
GPハミルトニアンの後部の可用性は、この構造を体系的に利用し、高確率安全性を保証するエネルギーを意識した制御障壁関数を設計する方法という問題を自然に提起する。
我々はベイズ・CBFフレームワークを開発し、ハミルトニアンおよびベクトル場後部から直接保守的なエネルギーベース障壁を構築するためのエネルギーを意識したベイズ・CBF(EB-CBF)をインスタンス化することでこの問題に対処する。
質量ばね系の数値シミュレーションにより, 提案したEB-CBFは, ノイズの多いGP学習力学の下で高確率安全性を実現することを示した。
関連論文リスト
- VertexCBF: Improving Neural Control Barrier Functions via Vertex-Restricted Control Search [2.7458654644827134]
本稿では、スケーラブルで体系的で説明可能な方法でニューラルCBFを学習するためのフレームワークを提案する。
物理情報と疎教師付き学習を組み合わせたニューラルネットワークを用いて,定常ハミルトン-ヤコビ値関数を近似した。
本研究では,本手法を15のシステムで評価し,関連するベースラインと比較し,ベースラインが保守的あるいは完全に失敗する大規模な安全セットを確実に回収することを示した。
論文 参考訳（メタデータ） (2026-09-11T13:24:45Z) - D-SafeMPC: Diffusion-Driven Safe Model Predictive Control with Discrete-Time Control Barrier Functions [35.33769360235326]
ロボット計画における拡散モデルの使用に関する重要な制限は、本質的に安全性や動的制約を強制できないことである。
本稿では拡散と制御の相互作用を強化するD-SafeMPCを提案する。
フランカマニピュレータのシミュレーションでは、D-SafeMPCは最先端のベースラインよりも安全性、タスク成功率、計画効率を向上させる。
論文 参考訳（メタデータ） (2026-07-12T17:10:05Z) - Synthesis and Deployment of Maximal Robust Control Barrier Functions through Adversarial Reinforcement Learning [4.062182903323153]
境界不確実性下での一般非線形システムのための新しい頑健なCBFフレームワークを提案する。
まず、動的プログラミングのアイザック方程式を解く安全値関数は、最大ロバストな安全集合に対する安全性を強制する有効なロバストな離散時間CBFであることを示す。
次に、バリア証明書を状態-作用空間に持ち上げることにより、明示的なダイナミクスの必要性を解消する、品質関数(RL)の重要な強化学習概念を採用する。
論文 参考訳（メタデータ） (2026-04-14T18:16:17Z) - On transferring safety certificates across dynamical systems [2.034258001065168]
制御障壁関数(CBF)は、制御系における安全制約を強制するための強力なツールである。
しかし、複雑な高次元力学への直接的な応用は、しばしば困難である。
本稿では,不整合な力学系間の安全保証を伝達する問題に対処する。
論文 参考訳（メタデータ） (2026-02-03T20:20:08Z) - UpSafe$^\circ$C: Upcycling for Controllable Safety in Large Language Models [67.91151588917396]
大規模言語モデル(LLM)は、幅広いタスクで顕著な進歩を遂げているが、有害なコンテンツ生成やジェイルブレイク攻撃といった安全リスクに弱いままである。
安全に配慮したリサイクルによるLCMの安全性向上のための統合フレームワークであるUpSafe$circ$Cを提案する。
この結果から, 静的アライメントから動的, モジュール, 推論対応制御への移行という, LLMの安全性の新たな方向性が明らかになった。
論文 参考訳（メタデータ） (2025-10-02T16:43:33Z) - ORN-CBF: Learning Observation-conditioned Residual Neural Control Barrier Functions via Hypernetworks [2.7458654644827134]
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。
論文 参考訳（メタデータ） (2025-09-20T10:29:36Z) - Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。
提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
論文 参考訳（メタデータ） (2025-04-30T13:47:25Z) - 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) - A Comparative Study of Artificial Potential Fields and Reciprocal Control Barrier Function-based Safety Filters [10.525846641815788]
人工電位場(APF)によって設計されたコントローラは、相互制御バリア関数2次プログラム(RCBF-QP)の安全性フィルタから導出可能であることを示す。
さらに、補助関数の選択を制限することなく、APFベースのコントローラをより一般的なシナリオに一般化する。
論文 参考訳（メタデータ） (2024-03-23T07:14:27Z) - 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) - 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。