論文の概要: Proactive Local-Minima-Free Robot Navigation: Blending Motion Prediction with Safe Control
- arxiv url: http://arxiv.org/abs/2601.10233v2
- Date: Wed, 11 Feb 2026 16:48:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.790097
- Title: Proactive Local-Minima-Free Robot Navigation: Blending Motion Prediction with Safe Control
- Title（参考訳）: プロアクティブな局部ミニマフリーロボットナビゲーション:安全制御による屈曲運動予測
- Authors: Yifan Xue, Ze Zhang, Knut Åkesson, Nadia Figueroa,
- Abstract要約: Control Barrier Functions (CBF)のようなリアクティブな安全なコントローラは、障害の現在の状態のみに基づいて障害回避戦略を設計し、将来の衝突を危険にさらす。
我々はガウス過程を用いて、エネルギーベース学習で訓練されたニューラルネットワークによって生成された障害物のマルチモーダルな動き予測から、障壁関数をオンラインで学習する。
学習されたバリア関数は、CBFの局所最小化バージョンである変調CBFを使用してプログラムに入力され、安全かつ効率的なナビゲーションを実現する。
- 参考スコア（独自算出の注目度）: 10.366282784389108
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work addresses the challenge of safe and efficient mobile robot navigation in complex dynamic environments with concave moving obstacles. Reactive safe controllers like Control Barrier Functions (CBFs) design obstacle avoidance strategies based only on the current states of the obstacles, risking future collisions. To alleviate this problem, we use Gaussian processes to learn barrier functions online from multimodal motion predictions of obstacles generated by neural networks trained with energy-based learning. The learned barrier functions are then fed into quadratic programs using modulated CBFs (MCBFs), a local-minimum-free version of CBFs, to achieve safe and efficient navigation. The proposed framework makes two key contributions. First, it develops a prediction-to-barrier function online learning pipeline. Second, it introduces an autonomous parameter tuning algorithm that adapts MCBFs to deforming, prediction-based barrier functions. The framework is evaluated in both simulations and real-world experiments, consistently outperforming baselines and demonstrating superior safety and efficiency in crowded dynamic environments.
- Abstract（参考訳）: 本研究は,移動障害物を有する複雑な動的環境における安全かつ効率的な移動ロボットナビゲーションの課題に対処する。
Control Barrier Functions (CBF)のようなリアクティブな安全なコントローラは、障害の現在の状態のみに基づいて障害回避戦略を設計し、将来の衝突を危険にさらす。
この問題を緩和するために、エネルギーベース学習で訓練されたニューラルネットワークによって生成された障害物のマルチモーダルな動き予測から、ガウス過程を用いて障壁関数をオンラインに学習する。
学習されたバリア関数は、CBFの局所最小化バージョンである変調CBF(Modulated CBFs)を使用して二次プログラムに入力され、安全かつ効率的なナビゲーションを実現する。
提案されたフレームワークには2つの重要なコントリビューションがある。
まず、予測・バリア機能オンライン学習パイプラインを開発する。
第二に、自動パラメータチューニングアルゴリズムを導入し、MCBFを変形予測に基づくバリア関数に適応させる。
このフレームワークはシミュレーションと実世界の実験の両方で評価され、ベースラインを一貫して上回り、混在する動的環境において優れた安全性と効率を示す。
関連論文リスト
- ToMPC: Task-oriented Model Predictive Control via ADMM for Safe Robotic Manipulation [20.83011691536596]
このフレームワークは、衝突のない動きとロボット環境の相互作用を統一し、多様なシナリオに対処する。
また、運動の冗長性を活用して障害物環境の操作効率を高めるタスク指向の障害物回避も導入している。
その結果, フレームワークはリアルタイムに動きや力の軌跡を計画し, 障害物を避けながら操作範囲を最大化し, 安全に関する厳密な制約に固執できることがわかった。
論文 参考訳（メタデータ） (2026-03-14T13:35:24Z) - CN-CBF: Composite Neural Control Barrier Function for Safe Robot Navigation in Dynamic Environments [2.7458654644827134]
動的環境下での安全なロボットナビゲーションのための,シンプルで効果的なニューラルネットワークCBF設計法を提案する。
我々は、複数の神経CBFを1つのCBFに結合する複合CBFの考え方を採用する。
個々のCBFはハミルトン-ヤコビ到達可能性フレームワークを介して訓練され、単一の移動障害物に対する最適安全セットを近似する。
論文 参考訳（メタデータ） (2026-03-06T22:44:10Z) - 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) - 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) - Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。
提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。
我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
論文 参考訳（メタデータ） (2025-01-16T16:45:08Z) - Online Efficient Safety-Critical Control for Mobile Robots in Unknown
Dynamic Multi-Obstacle Environments [13.858175528097032]
本稿では,LiDARに基づく目標探索・探索フレームワークを提案する。
静的障害物と移動障害物が混在する非構造環境におけるオンライン障害物回避の効率性に対処する。
論文 参考訳（メタデータ） (2024-02-26T09:53:37Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Online Control Barrier Functions for Decentralized Multi-Agent
Navigation [15.876920170393168]
制御バリア関数(CBF)は、連続領域における安全なマルチエージェントナビゲーションを可能にする。
伝統的なアプローチでは、パラメータが Apriori にチューニングされる固定CBF を考える。
オンラインCBFを提案し、ハイパーパラメータをリアルタイムに調整する。
論文 参考訳（メタデータ） (2023-03-08T01:28:18Z) - 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。