論文の概要: Distributed Control Barrier Functions for Safe Multi-Vehicle Navigation in Heterogeneous USV Fleets

• arxiv url: http://arxiv.org/abs/2601.11335v1
• Date: Fri, 16 Jan 2026 14:30:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.813292
• Title: Distributed Control Barrier Functions for Safe Multi-Vehicle Navigation in Heterogeneous USV Fleets
• Title（参考訳）: ヘテロジニアスUSVフリートにおける安全マルチサイクルナビゲーションのための分散制御バリア機能
• Authors: Tyler Paine, Brendan Long, Jeremy Wenger, Michael DeFilippo, James Usevitch, Michael Benjamin,
• Abstract要約: 不均質な船の衝突回避は、意思決定プロセスと制御装置がプラットフォームによってしばしば異なるため、困難である。 本稿では,各自動運転車に制御フィルタを追加することで,これらの問題に対処する実用的アプローチを提案する。 その結果,CBF法とCOLREGS法を組み合わせることで,安全性と効率性が向上した。
• 参考スコア（独自算出の注目度）: 0.7388859384645263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collision avoidance in heterogeneous fleets of uncrewed vessels is challenging because the decision-making processes and controllers often differ between platforms, and it is further complicated by the limitations on sharing trajectories and control values in real-time. This paper presents a pragmatic approach that addresses these issues by adding a control filter on each autonomous vehicle that assumes worst-case behavior from other contacts, including crewed vessels. This distributed safety control filter is developed using control barrier function (CBF) theory and the application is clearly described to ensure explainability of these safety-critical methods. This work compares the worst-case CBF approach with a Collision Regulations (COLREGS) behavior-based approach in simulated encounters. Real-world experiments with three different uncrewed vessels and a human operated vessel were performed to confirm the approach is effective across a range of platforms and is robust to uncooperative behavior from human operators. Results show that combining both CBF methods and COLREGS behaviors achieves the best safety and efficiency.
• Abstract（参考訳）: なぜなら、意思決定プロセスとコントローラはプラットフォームによってしばしば異なり、軌道の共有や制御値のリアルタイム化の制限によりさらに複雑になるからである。 本稿では、乗員船を含む他の接触者からの最悪の行動を想定した制御フィルタを各自動運転車に追加することにより、これらの問題に対処する実用的アプローチを提案する。 この分散安全制御フィルタは制御障壁関数(CBF)理論を用いて開発され、これらの安全クリティカルな手法の説明可能性を保証するためにその応用が明確に説明される。 この研究は、最悪のCBFアプローチと、シミュレートされた出会いにおけるコリジョン・レギュレーション(COLREGS)の行動に基づくアプローチを比較した。 3つの異なる無人船と人間の操作船による実世界の実験を行い、そのアプローチが様々なプラットフォームで有効であることを確認するとともに、人間の操作者による非協力的な行動に対して堅牢であることを示した。 その結果,CBF法とCOLREGS法を組み合わせることで,安全性と効率性が向上した。

関連論文リスト

• 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)
• Domain Adaptive Safety Filters via Deep Operator Learning [5.62479170374811]
  本稿では,環境パラメータから対応するCBFへのマッピングを学習する自己教師型深層演算子学習フレームワークを提案する。 動的障害物を含むナビゲーションタスクの数値実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-18T15:10:55Z)
• Reinforcement Learning-based Receding Horizon Control using Adaptive Control Barrier Functions for Safety-Critical Systems [14.166970599802324]
  最適制御法は、安全クリティカルな問題に対する解決策を提供するが、容易に難解になる。 モデル予測制御を利用した強化学習に基づく回帰水平制御手法を提案する。 我々は、コネクテッド・アンド・オートマチック・ビークルにおける自動マージ制御問題に適用し、本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-03-26T02:49:08Z)
• Safe Neural Control for Non-Affine Control Systems with Differentiable Control Barrier Functions [58.19198103790931]
  本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。 制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。 我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
  論文  参考訳（メタデータ） (2023-09-06T05:35:48Z)
• Differentiable Safe Controller Design through Control Barrier Functions [8.283758049749782]
  学習ベースのコントローラは、高い経験的性能を示すことができるが、正式な安全保証がない。 制御障壁関数(CBF)は、学習ベースコントローラの出力を監視・修正するための安全フィルタとして応用されている。 本稿では,CBF ベースの安全層を識別可能な NN コントローラを提案する。
  論文  参考訳（メタデータ） (2022-09-20T23:03:22Z)
• 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)
• 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。